Banca de QUALIFICAÇÃO: JOSÉ LINDEMBERG VIDAL BARBOSA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JOSÉ LINDEMBERG VIDAL BARBOSA
DATA: 30/03/2026
HORA: 10:00
LOCAL: sala LARHENA (https://meet.google.com/ujk-zkqu-eiw)
TÍTULO: Preenchimento de Lacunas em Séries Temporais de Precipitação no Brasil Utilizando Técnicas de Aprendizado de Máquina
PALAVRAS-CHAVES: Precipitação; Séries temporais; Dados faltantes; Preenchimento de lacunas; Aprendizado de máquina; Pluviometria.
PÁGINAS: 46
RESUMO: Este estudo avalia o desempenho de técnicas de machine learning para preenchimento de falhas em séries temporais mensais de precipitação no Brasil utilizando observações pluviométricas de alta qualidade provenientes da rede de pluviômetros do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN), abrangendo o período de 2015 a 2024. Um framework de modelos supervisionados de regressão foi desenvolvido para estimar a precipitação mensal em uma estação alvo utilizando observações e descritores espaciais de suas cinco estações vizinhas mais próximas, incluindo distância horizontal, diferença de altitude e direção azimutal. Nove algoritmos de regressão representando diferentes famílias metodológicas foram avaliados, incluindo Linear Regression (LR), Stochastic Gradient Descent (SGD), Support Vector Machine (SVM), k-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF), Gradient Boosting (GB), Extreme Gradient Boosting (XGB) e Multilayer Perceptron (MLP). A calibração dos modelos foi realizada utilizando observações de 2015 a 2023 com validação cruzada de 5 partições, enquanto as observações de 2024, provenientes da mesma rede de monitoramento, mas não utilizadas durante a calibração, foram reservadas para validação independente. O desempenho dos modelos foi avaliado por meio do erro médio (ME), erro absoluto médio (MAE), erro relativo médio (MRE), erro relativo absoluto médio (MRAE), coeficiente de correlação de Pearson (CC) e índice de eficiência de Kling–Gupta (KGE). Os resultados indicam que modelos baseados em ensemble e arquiteturas de redes neurais alcançaram consistentemente o melhor desempenho preditivo. RF obteve os melhores resultados gerais durante o período de avaliação treinamento–teste, com MAE de 22,969 mm, CC de 0,945 e KGE de 0,919, enquanto MLP apresentou os maiores valores de CC (0,945) e KGE (0,920). A validação utilizando o conjunto de dados de 2024 confirmou a estabilidade desses resultados, com MLP e RF mantendo forte concordância preditiva (CC de até 0,936 e KGE de até 0,906). Em contraste, o modelo KNN, baseado em instâncias, apresentou desempenho substancialmente inferior, caracterizado por maior viés e maiores erros de predição. Esses resultados demonstram o potencial de métodos de machine learning para melhorar a continuidade temporal e a confiabilidade de observações pluviométricas, além de apoiar o desenvolvimento de bases de dados de precipitação aprimoradas para aplicações hidrológicas e climatológicas no Brasil.
MEMBROS DA BANCA:
Presidente(a) - 1550262 - CRISTIANO DAS NEVES ALMEIDA
Interno(a) - 2064381 - GERALD NORBERT SOUZA DA SILVA
Externo(a) à Instituição - SAULO AIRES DE SOUZA