@InProceedings{FeitosaSaMeReFrCa:2022:MoNePr,
               author = "Feitosa, Ot{\'a}vio Medeiros and Santos, Vinicio Lima and Mello, 
                         Laiz Cristina Rodrigues and Reis, Bruna Larissa Rabelo dos and 
                         Freitas, Saulo Ribeiro de and Campos Velho, Haroldo Fraga de",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Universidade de 
                         S{\~a}o Paulo (USP)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)} and {Instituto Nacional de Pesquisas Espaciais 
                         (INPE)} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Modelo neural para previs{\~a}o probabil{\'{\i}}stica da 
                         precipita{\c{c}}{\~a}o",
            booktitle = "Anais...",
                 year = "2022",
         organization = "Encontro dos Alunos de P{\'o}s Gradua{\c{c}}{\~a}o em 
                         Meteorologia (EPGMET), 21.",
                 note = "{Resumo expandido}",
             keywords = "Modelos probabil{\'{\i}}sticos, Chuva, conv-transpostas, 
                         3D-DenseUNet, redes, convolucionais.",
             abstract = "Prever a precipita{\c{c}}{\~a}o {\'e} de suma import{\^a}ncia 
                         para diversas {\'a}reas da sociedade, a chuva, ou a falta dela, 
                         definem tomadas de decis{\~o}es em setores econ{\^o}micos, 
                         pol{\'{\i}}ticos e relacionados a recursos humanos. A 
                         previs{\~a}o se torna ainda mais complicada quando elevamos para 
                         um dom{\'{\i}}nio global, isso ocorre pois, nessa escala temos 
                         diferentes fatores f{\'{\i}}sicos e din{\^a}micos que impactam 
                         na atmosfera for{\c{c}}ados por diferentes regi{\~o}es. 
                         Atualmente, existem diversos tipos modelos num{\'e}ricos para a 
                         previs{\~a}o, por{\'e}m, devido {\`a}s limita{\c{c}}{\~o}es 
                         computacionais e sobre os conhecimentos f{\'{\i}}sicos em 
                         rela{\c{c}}{\~a}o a natureza ca{\'o}tica da atmosfera, temos 
                         uma imprecis{\~a}o agregada nos resultados obtidos. Visando 
                         melhorar a precis{\~a}o de modelos de precipita{\c{c}}{\~a}o 
                         global, foi elaborado um modelo de previs{\~a}o 
                         probabil{\'{\i}}stica utilizando redes neurais. Foram 
                         implementadas redes convolucionais, conv-transpostas e 
                         3D-DenseUNet sobre os dados de precipita{\c{c}}{\~a}o coletados 
                         por esta{\c{c}}{\~o}es do INMET para elabora{\c{c}}{\~a}o do 
                         modelo. Os resultados mostram um bom desempenho do modelo 
                         probabil{\'{\i}}stico, visto que o mesmo conseguiu manter 
                         tend{\^e}ncia de aumento do erro com o tempo e obteve um melhor 
                         desempenho posicional de regi{\~o}es de precipita{\c{c}}{\~a}o 
                         quando comparado a dados do ERA 5. Conclui-se que, mesmo em fase 
                         inicial de desenvolvimento, o modelo proposto foi capaz de 
                         reproduzir resultados semelhantes a modelos num{\'e}ricos, com um 
                         baixo custo computacional e com significado para uso 
                         sin{\'o}tico.",
  conference-location = "Cachoeira Paulista",
      conference-year = "24-27 out. 2022",
           targetfile = "EPGMET_Expandido_Otavio_Medeiros_Feitosa - Otavio Medeiros.pdf",
        urlaccessdate = "03 maio 2024"
}