Um modelo computacional para previsão de eventos climáticos utilizando dados de estações de medição.

• Ano de defesa: 2024
• Autor(a) principal: Almeida, Felipe Valencia de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Ciência de dados; Dados meteorológicos; Data science; Machine learning; Meteorological data
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-24022025-081130/

Desde os primórdios da humanidade, o clima tem exercido uma influência significativa na vida humana. Embora milênios tenham se passado sem que se desenvolvesse uma tecnologia capaz de controlar o clima, atualmente é possível monitorar a atmosfera por meio de instrumentação adequada, buscando entender o funcionamento desse sistema complexo e mitigar os impactos da ação antrópica. Eventos climáticos são fenômenos atmosféricos que geram consequências sociais e econômicas, e a fiscalização destes eventos é a principal forma de minimizar essas consequências. Esta tese propõe um modelo para a detecção de eventos climáticos, utilizando dados coletados de estações de medição. Os dados são utilizados para treinar modelos de aprendizado de máquina, com o objetivo de prever a ocorrência de eventos climáticos diversos, a partir do impacto destes eventos nas variáveis meteorológicas coletadas. O modelo se baseia nos princípios da Ciência Aberta, visando a colaboração científica e o compartilhamento de informações para benefício da ciência e da sociedade. Para isso, foram utilizados dados e padrões abertos estabelecidos pela comunidade científica, garantindo a reprodutibilidade e a replicabilidade dos experimentos. A validação do modelo foi realizada em estudos de caso envolvendo frentes de ar fria, erupções vulcânicas e furações. Fornecendo variáveis meteorológicas como temperatura, pressão atmosférica, umidade e velocidade do vento o modelo obteve métricas de desempenho superiores a 90%, indicando sua robustez e capacidade de generalização.