Teses, Dissertações e Outros

Alertas antecipados eficazes para chuvas intensas no sul do Brasil são dificultados pelas limitações de métodos de previsão isolados. Modelos meteorológicos globais, como o GraphCast, são poderosos, mas frequentemente não conseguem capturar a intensidade de tempestades localizadas. Por outro lado, modelos baseados apenas em dados históricos de estações meteorológicas locais conseguem prever tendências existentes, mas não são capazes de antecipar sistemas atmosféricos de larga escala em aproximação.

Esta dissertação preenche esta lacuna crítica ao introduzir uma arquitetura de fusão de dados inovadora que combina os pontos fortes de ambas as fontes de dados. O método proposto utiliza um modelo de aprendizado de máquina baseado em árvores para integrar previsões de médio alcance do GraphCast com observações horárias reais de 45 estações do Instituto Nacional de Meteorologia (INMET) no Rio Grande do Sul (RS). Essa abordagem captura tanto a dinâmica atmosférica de larga escala do modelo global quanto a variabilidade microclimática específica dos dados locais, criando um modelo preditivo especializado para cada localidade.

O desempenho da arquitetura demonstra uma melhoria substancial na capacidade preditiva. O modelo em Árvore utilizando fusão de dados alcançou um robusto índice ROC-AUC de 0,88, indicando forte poder preditivo. Isso contrasta fortemente com um modelo de referência treinado apenas com dados históricos das estações, que apresentou desempenho marginalmente superior à aleatoriedade, com um ROC-AUC de 0,56.

Esses resultados mostram que uma abordagem direcionada de fusão de dados não é apenas uma melhoria incremental, mas uma estratégia necessária para o desenvolvimento de um sistema de alerta precoce confiável e operacionalmente viável. O estudo contribui com um fluxo de trabalho de modelagem que considera as especificidades das estações, um modelo por estação que captura a variabilidade local e uma arquitetura conteinerizada pronta para implementação em tempo real. Ao combinar com sucesso a capacidade de antecipação dos modelos globais com a precisão dos dados locais, este trabalho oferece uma estrutura escalável para aumentar a resiliência a inundações na América do Sul subtropical.