Trabalho de autoria de Fernanda Verdelho analisa o uso de machine learning como elemento de aprimoramento de inferências meteorológicas
Diante de cenários de catástrofes ambientais, é fundamental a assertividade nas previsões meteorológicas como instrumento de gestão pública e de ferramenta para dirimir impactos decorrentes de adversidades, como em situações de enchentes. O uso de machine learning para o aprimoramento da promoção de informações sobre precipitações atuais e recentes é o foco da pesquisa da mestra em informática, Fernanda Verdelho, premiada na Conferência Pan-Americana de Meteorologia. A pesquisa, resultado do trabalho de doutoramento junto ao Departamento de Informática (Dinf) da UFPR, foi apresentada no evento entre os dias 19 a 23 de agosto, em São Paulo.
O trabalho foi orientado pelo professor do Dinf e pesquisador do Centro de Computação Científica e Software Livre (C3SL), Marco Zanata, e coorientado pelo professor do Dinf, Luiz Eduardo Soares Oliveira. A pesquisa de Fernanda explora a importância da Estimativa Quantitativa de Precipitação (QPE) proveniente de radares meteorológicos para a criação de comunicações resilientes contra desastres naturais. O trabalho de mestrado destaca como a melhoria das estimativas de precipitação pode impactar diretamente diversas áreas, incluindo a previsão de enchentes, a gestão da produção energética em hidrelétricas e práticas agrícolas.
Embora os radares meteorológicos ofereçam alta resolução espacial e temporal, eles enfrentam desafios como interferências externas e incertezas na relação Z-R. Para superar essas limitações, o estudo de Fernanda utiliza algoritmos de aprendizado de máquina, como Random Forest e Gradient Boosting, resultando em estimativas mais precisas e em intervalos mais curtos. Os resultados aprimoram a acurácia das previsões meteorológicas, e abrem caminho para futuras investigações na área, ressaltando o potencial do aprendizado de máquina na meteorologia moderna. Confira a íntegra do trabalho publicado nos anais do evento em https://cpam2024.com/files/anais.pdf