Made available in DSpace on 2017-07-21T14:19:35Z (GMT). No. of bitstreams: 1 Rodrigo Viecheneski.pdf: 2517433 bytes, checksum: edab7bfbbad98ea4871ef9dbb71009d3 (MD5) Previous issue date: 2012-09-24 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This dissertation presents the development of a computational system called System for Treatment of Agrometeorological weather Series (STST Agrometeorológicas), with the objective of treating agrometeorological data in order to correct time weather. For the development of the study some data were collected from the agrometeorological stations, provided by Fundação ABC. The stations were located in the state of Paraná, in the cities of Ponta Grossa (long - 49.95025733, lat - 25.30156819) and Castro (long -49.8672, lat -24.6752). The computational system that has been suggested made use of the technology of Artificial Neural Networks on the type of Multilayer Perceptron and the backpropagation training algorithm of backpropagation error. It was developed with the Object Pascal programming language, using the integrated development environment Embarcadero Delphi 2009. To validate the proposed method we conducted six case studies, and the one which presented the best result for agrometeorological variable average temperature was the first case study of Castro's weather station, with a hit percentage between the treated registers and the registers without failure of 96.5%, a Pearson correlation coefficient of 0.98 and a simple average of the errors obtained from the training the neural network of 0.026406. The average errors of the neural networks was calculated between the values of errors obtained in each training during a period of correction failure. For the agrometeorological variable relative humidity, the best result was found in the case study 5 of Castro’s weather station, with a hit percentage of 95.7%, a Pearson correlation coefficient of 0.97 and the simple average of the errors obtained from the training the neural network of 0,094298. Given this context, it was revealed that the STST Agrometeorological is a viable alternative in the treatment of meteorological variables such as temperature and relative humidity, since there were results with hit percentage greater than 95% in the treatments of fails of the weather series studied. / Esta dissertação apresenta o desenvolvimento de um sistema computacional deno-minado Sistema para Tratamento de Séries Temporais Agrometeorológicas (STST Agrometeorológicas), com o objetivo de tratar dados agrometeorológicos visando a correção de séries temporais. Para o desenvolvimento dos estudos foram utilizados dados de estações agrometeorológicas disponibilizados pela Fundação ABC, situa-da no estado do Paraná, nas cidades de Ponta Grossa (long -49.95025733, lat -25.30156819) e Castro (long -49.8672, lat -24.6752). O sistema computacional pro-posto fez uso da tecnologia de Redes Neurais Artificiais do tipo Perceptron de Múlti-plas Camadas e do algoritmo backpropagation de treinamento de retropropagação do erro. E foi desenvolvido com a linguagem de programação Object Pascal, utili-zando o ambiente de desenvolvimento integrado Embarcadero Delphi 2009. Para validar o método proposto, foram realizados seis estudos de caso, dentre os quais, o que apresentou o melhor resultado para variável agrometeorológica temperatura média foi o estudo de caso 1 da estação agrometeorológica de Castro, com um per-centual de acerto entre os registros tratados e os registros sem falha de 96,5%, um coeficiente de correlação de Pearson de 0,98 e uma média simples entre os erros obtidos nos treinamentos da rede neural de 0,026406. A média dos erros das redes neurais foi calculada entre os valores dos erros obtidos em cada treinamento, duran-te a correção de um determinado período de falha. Para variável agrometeorológica umidade relativa do ar, o melhor resultado encontrado foi o estudo de caso 5 da es-tação agrometeorológica de Castro, com um percentual de acerto de 95,7%, um coe-ficiente de correlação de Pearson de 0,97 e a média simples dos erros da rede neu-ral de 0,094298. Diante desse contexto, foi possível perceber que o STST Agrome-teorológicas é uma alternativa viável no tratamento das variáveis agrometeorológicas temperatura média e umidade relativa do ar, uma vez que, houve resultados com percentual de acerto superior a 95% no tratamento de falhas das séries temporais estudadas.