@TechReport{VieiraAnocShim:2022:PrMoEv,
author = "Vieira, Gabriele Gon{\c{c}}alves and Anochi, Juliana Aparecida
and Shimizu, Mar{\'{\i}}lia Harumi",
title = "Previs{\~a}o e monitoramento de eventos externos clim{\'a}ticos
sobre o Brasil usando intelig{\^e}ncia artificial",
institution = "Instituto Nacional de Pesquisas Espaciais",
year = "2022",
type = "RPQ",
address = "S{\~a}o Jos{\'e} dos Campos",
note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
keywords = "Eventos clim{\'a}ticos extremos no Brasil,
precipita{\c{c}}{\~a}o, anomalias clim{\'a}ticas, extreme
climate events in Brazil, extreme climate indices, precipitation,
climate anomalies.",
abstract = "Eventos clim{\'a}ticos extremos s{\~a}o fen{\^o}menos que podem
ser definidos como aqueles eventos em que uma determinada
vari{\'a}vel meteorol{\'o}gica apresenta valores acima ou abaixo
de um limite superior ou inferior. Esses tipos de fen{\^o}menos
clim{\'a}ticos t{\^e}m um grande impacto nas regi{\~o}es
brasileiras, como por exemplo, o grande ac{\'u}mulo de
precipita{\c{c}}{\~a}o que causam enchentes e desmoronamentos,
ou as secas duradouras que geram impacto nos reservat{\'o}rios de
{\'a}gua. O objetivo desse projeto {\'e} auxiliar no
desenvolvimento de uma metodologia para realizar o monitoramento e
previs{\~a}o de eventos clim{\'a}ticos extremos com o uso de
intelig{\^e}ncia artificial. A metodologia empregada buscou
implantar um sistema de tratamento e an{\'a}lise de grandes
volumes de dados. Para isso, foram usados m{\'e}todos
estat{\'{\i}}sticos aplicados {\`a} meteorologia em dados de
precipita{\c{c}}{\~a}o de alta resolu{\c{c}}{\~a}o (GPCP v3.2)
com foco nos estados e regi{\~o}es do territ{\'o}rio brasileiro
para valida{\c{c}}{\~a}o da base de dados. Em seguida, esses
dados foram usados para treinamento de uma rede neural que visa
fornecer a previs{\~a}o da precipita{\c{c}}{\~a}o. A
valida{\c{c}}{\~a}o da base de dados, feita atrav{\'e}s da
an{\'a}lise dos padr{\~o}es climatol{\'o}gicos da
precipita{\c{c}}{\~a}o para as regi{\~o}es brasileiras, mostrou
que a precipita{\c{c}}{\~a}o do GPCP v3.2 {\'e} consistente com
bases de dados anteriores. Os resultados da constru{\c{c}}{\~a}o
da rede neural foram avaliados atrav{\'e}s de um ensemble de
previs{\~o}es retrospectivas de 30 anos passados (hindcast). A
an{\'a}lise das previs{\~o}es retrospectivas atrav{\'e}s de
m{\'e}tricas de avalia{\c{c}}{\~a}o mostrou que os resultados
das previs{\~o}es com a rede neural tem um performance superior
aos obtidos com modelos din{\^a}micos. Sendo assim, a rede neural
{\'e} h{\'a}bil em fornecer previs{\~o}es de
precipita{\c{c}}{\~a}o que podem ser usadas no c{\'a}lculo de
m{\'e}tricas para classifica{\c{c}}{\~a}o dos eventos extremos
de precipita{\c{c}}{\~a}o, de modo a colaborar para o
monitoramento e previs{\~a}o de eventos meteorol{\'o}gicos
extremos (seca profunda e chuvas intensas), e prevenir e/ou
amenizar os impactos desses eventos nas regi{\~o}es afetadas.",
affiliation = "{Faculdade de Tecnologia (FATEC)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)}",
language = "pt",
pages = "41",
ibi = "8JMKD3MGP3W34T/49SMP8P",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/49SMP8P",
targetfile = "Relatorio_Final_Gabriele_Goncalves_Vieira.pdf",
urlaccessdate = "29 jun. 2024"
}