Seminário de Avaliação - Série A: Detecção Antecipada de Eventos Extremos de Precipitação a partir de Padrões Precursores em Séries Temporais Climáticas Multivariadas

Orientadores:
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC

Banca Examinadora:
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC (presidente)
José Hugo Capella Gaspar Elsas - Laboratório Nacional de Computação Científica - LNCC
Eduardo Soares Ogasawara - Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET-RJ

Suplentes:
Júlio de Castro Vargas Fernandes - Laboratório Nacional de Computação Científica - LNCC

Resumo: A natureza rara de eventos de precipitação extrema cria um cenário de significativo desequilíbrio de dados, no qual casos associados a eventos extremos representam apenas uma pequena fração das observações, tornando sua detecção antecipada um grande desafio para sistemas de monitoramento e alerta meteorológico. Esta tese propõe uma abordagem para a detecção antecipada de eventos de precipitação extrema baseada na identificação e no reconhecimento de padrões temporais que precedem tais eventos em séries temporais meteorológicas multivariadas. A proposta fundamenta-se na hipótese de que a forma como os padrões temporais são representados e comparados pode influenciar significativamente a capacidade de identificar padrões associados a eventos extremos. Assim, se eventos extremos são precedidos por padrões temporais recorrentes nas variáveis meteorológicas, a identificação desses padrões em dados observacionais poderia viabilizar a detecção antecipada de situações potencialmente ligadas a eventos extremos. Para investigar essa hipótese, utilizam-se séries temporais meteorológicas provenientes de estações meteorológicas. Sequências temporais que precedem eventos extremos são extraídas de registros históricos e comparadas com base na semelhança de suas dinâmicas multivariadas. Essa comparação envolve a investigação de diversas famílias de abordagens de análise de semelhança de séries temporais, incluindo métodos do tipo Lock-step, Sliding, Elastic, Kernel, Feature-based,Model-based e Embedding-based. O objetivo é avaliar a capacidade dessas abordagens de representar, comparar e identificar padrões temporais recorrentes que precedem eventos extremos, em um contexto caracterizado por um forte desequilíbrio entre eventos extremos. Após identificar padrões antecedentes nos registros históricos, o método busca reconhecê-los em dados meteorológicos recém observados, identificando sequências semelhantes àquelas que precederam eventos extremos passados. A detecção desses padrões permite gerar sinais de alerta antecipado para situações potencialmente associadas à ocorrência de precipitação extrema, fornecendo informaçõ es que podem apoiar o monitoramento e a tomada de decisão.