Resumo: <\/b>O monitoramento e a previs\u00e3o das condi\u00e7\u00f5es clim\u00e1ticas atmosf\u00e9ricas t\u00eam implica\u00e7\u00f5es significativas em diversos campos, como agricultura, transporte e seguran\u00e7a p\u00fablica. Previs\u00f5es eficazes das condi\u00e7\u00f5es clim\u00e1ticas podem ajudar a mitigar e prevenir os impactos adversos de eventos clim\u00e1ticos severos, incluindo a perda de vidas humanas. Com os avan\u00e7os tecnol\u00f3gicos, existem v\u00e1rios instrumentos dispon\u00edveis para observa\u00e7\u00e3o atmosf\u00e9rica, como sat\u00e9lites, radares e esta\u00e7\u00f5es de superf\u00edcie. Esses instrumentos fornecem observa\u00e7\u00f5es em tempo real e, em alguns casos com alta resolu\u00e7\u00e3o espacial e temporal, tornado-se insumo ideal para o treinamento de modelos de previs\u00e3o do tempo baseados em Aprendizado de M\u00e1quina (AM). Por outro lado, um desafio acerca dos dados meteorol\u00f3gicos \u00e9 a disponibilidade e distribui\u00e7\u00e3o espacial das esta\u00e7\u00f5es de superf\u00edcie. Por conta de sua distribui\u00e7\u00e3o desigual, certas \u00e1reas acabam com monitoramento insuficiente. M\u00e9todos de interpola\u00e7\u00e3o s\u00e3o comumente usados para inferir valores de precipita\u00e7\u00e3o para \u00e1reas n\u00e3o cobertas. No entanto, esses m\u00e9todos frequentemente negligenciam o contexto e a f\u00edsica da atmosfera, resultando em discrep\u00e2ncias entre os dados interpolados e os observados. Al\u00e9m disso, esses m\u00e9todos n\u00e3o levam em considera\u00e7\u00e3o o espa\u00e7o e o tempo simultaneamente. Este estudo tem como objetivo implementar uma Rede Convolucional Espa\u00e7o-Temporal de Grafos (STGCN, na sigla em ingl\u00eas) para interpolar dados de precipita\u00e7\u00e3o, que \u00e9 uma vari\u00e1vel significativamente desbalanceada. A STGCN \u00e9 adaptada para realizar a interpola\u00e7\u00e3o da precipita\u00e7\u00e3o, aprendendo os padr\u00f5es e a f\u00edsica da atmosfera em s\u00e9ries temporais multivariadas de m\u00faltiplos instrumentos meteorol\u00f3gicos. O objetivo \u00e9 melhorar a precis\u00e3o da interpola\u00e7\u00e3o, especialmente em \u00e1reas com cobertura limitada de esta\u00e7\u00f5es de superf\u00edcie. Comparamos os resultados alcan\u00e7ados pela STGCN com os de um m\u00e9todo tradicional de interpola\u00e7\u00e3o, o Inverse Distance Weighting (IDW). Os resultados alcan\u00e7ados apontam que, comparado ao IDW, a STGCN \u00e9 capaz de obter melhor acur\u00e1cia em eventos mais extremos de precipita\u00e7\u00e3o e alcan\u00e7am resultados promissores em eventos de menor magnitude. Em alguns casos, nosso modelo chegou a alcan\u00e7ar uma acur\u00e1cia para eventos mais extremos entre 40% e 80% maior que o m\u00e9todo IDW. No entanto, identificamos que o desbalanceamento dos dados de precipita\u00e7\u00e3o e a relativa baixa quantidade de exemplos de eventos extremos podem prejudicar a acur\u00e1cia da STGCN em alguns cen\u00e1rios. Nosso m\u00e9todo se mostra promissor e abre caminho para futuras pesquisas.<\/p>\n Discente: Augusto Jos\u00e9 Moreira da Fonseca T\u00edtulo: Interpola\u00e7\u00e3o de Precipita\u00e7\u00e3o por Redes Neurais Convolucionais para Grafos Orientadores: Eduardo Bezerra da Silva (orientador) e Fabio Andre Machado Porto (coorientador) Banca: Eduardo Bezerra da Silva (Cefet\/RJ – PPCIC), Fabio Andre Machado Porto (LNCC), Eduardo Soares Ogasawara (Cefet\/RJ – PPCIC), Mariza Ferro (UFF), Leonardo Silva de Lima (UFPR) […]<\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[14,33],"tags":[],"class_list":["post-5745","post","type-post","status-publish","format-standard","hentry","category-defesas","category-noticias-pt"],"_links":{"self":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5745","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/comments?post=5745"}],"version-history":[{"count":3,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5745\/revisions"}],"predecessor-version":[{"id":5927,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/posts\/5745\/revisions\/5927"}],"wp:attachment":[{"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/media?parent=5745"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/categories?post=5745"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/ppcic\/wp-json\/wp\/v2\/tags?post=5745"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/logo-sucupira.png\"){kind=logo}
<\/div>\n![\"\"](\"https:\/\/eic.cefet-rj.br\/ppcic\/wp-content\/uploads\/2018\/05\/download-logo2.png\"){kind=logo}
<\/div>\n","protected":false},"excerpt":{"rendered":"