@InProceedings{VieiraAnocShim:2023:PrMoEv,
               author = "Vieira, Gabriele Gon{\c{c}}alves and Anochi, Juliana Aparecida 
                         and Shimizu, Mar{\'{\i}}lia Harumi",
          affiliation = "{Faculdade de Tecnologia Estadual (FATEC)} and {Instituto Nacional 
                         de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)}",
                title = "Previs{\~a}o e monitoramento de eventos extremos clim{\'a}ticos 
                         sobre o Brasil usando intelig{\^e}ncia artificial",
            booktitle = "Resumos...",
                 year = "2023",
               editor = "Ribeiro, Val{\'e}ria Cristina dos Santos and Barreto, Joaquim 
                         Pedro (Substituto) and Lopes Filho, Antonio and Paulicena, 
                         Ed{\'e}sio Hernane and Cortez, Ely Vieira and Almeida, Elton 
                         Kleiton Albuquerque de and Jesus, Gabriel Torres de (Suplente) and 
                         Souza, Jo{\~a}o Paulo Estevam de (Suplente) and Cecatto, 
                         Jos{\'e} Roberto (Suplente) and Coelho, Simone Marlene Sievert da 
                         Costa (Suplente) and Almeida, Eug{\^e}nio Sper de and Hey, Heyder 
                         and Saturno, Mario Eugenio and Escada, Paulo Augusto Sobral and 
                         Savonov, Roman Ivanovitch (Suplente) and Camayo Maita, Rosio Del 
                         Pilar (Suplente) and Barbedo, Simone Ang{\'e}lica Del Ducca 
                         (Suplente) and Algarve, Viviane Regina (Suplente)",
                pages = "1",
         organization = "Semin{\'a}rio de Inicia{\c{c}}{\~a}o Cient{\'{\i}}fica e 
                         Inicia{\c{c}}{\~a}o em Desenvolvimento Tecnol{\'o}gico e 
                         Inova{\c{c}}{\~a}o (SICINPE)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
             keywords = "eventos clim{\'a}ticos extremos no Brasil, previs{\~a}o de 
                         precipita{\c{c}}{\~a}o, intelig{\^e}ncia artificial, extreme 
                         climate events in Brazil, precipitation prediction, artificial 
                         intelligence.",
             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. As 
                         estrat{\'e}gias consistiram na previs{\~a}o mensal e sazonal da 
                         precipita{\c{c}}{\~a}o e mostraram-se eficientes por conta dos 
                         erros dentro da m{\'e}dia, e os valores de previs{\~a}o que 
                         foram pr{\'o}ximos aos valores observados. Os resultados 
                         preliminares da constru{\c{c}}{\~a}o da rede neural foram 
                         avaliados a partir da constru{\c{c}}{\~a}o de um ensemble de 
                         previs{\~a}o para um per{\'{\i}}odo de 30 anos (1991-2020). 
                         Dentre as m{\'e}tricas para avalia{\c{c}}{\~a}o da 
                         previs{\~a}o, foi implementado primeiramente o Brier score para 
                         anomalias negativas/positivas, no qual o resultado se manteve 
                         dentro do esperado, entre os valores 0 e 0.3, e tercil 
                         superior/inferior. Adicionalmente, novas m{\'e}tricas podem 
                         auxiliar na valida{\c{c}}{\~a}o e defini{\c{c}}{\~a}o de um 
                         limiar 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.",
  conference-location = "on line",
      conference-year = "21 a 25 – ago",
                label = "self-archiving-INPE-MCTIC-GOV-BR",
             language = "pt",
         organisation = "Divis{\~a}o de Fomento a Pesquisa e Desenvolvimento (DIFPD)",
                  ibi = "8JMKD3MGP3W34T/4A3NU65",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4A3NU65",
           targetfile = "Resumo_Gabriela_Rozante.pdf",
        urlaccessdate = "10 maio 2024"
}