Uma abordagem multitarefa para a predição de precipitações extremas

• Processo: 17/19397-9
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Data de Início da vigência: 01 de dezembro de 2018
• Data de Término da vigência: 31 de maio de 2020
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: IBM Brasil
• Pesquisador responsável: Fernando José von Zuben
• Beneficiário: Fernando José von Zuben
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: IBM Brasil - Indústria, Máquinas e Serviços Ltda
• Município: Rio de JaneiroCampinas
• Pesquisadores associados: André Ricardo Gonçalves
• Bolsa(s) vinculada(s): 18/09887-1 - Uma abordagem multitarefa para a predição de precipitações extremas, BP.MS
• Assunto(s): Previsão do tempo Precipitação atmosférica Predição Produção agrícola
• Palavra(s)-Chave do Pesquisador: ensembles | Forecasting | multitask learning | precipitation extremes | Agricultura digital

Resumo

Eventos climáticos anormais, tais como precipitações extremas, estão se tornando mais frequentes, distribuídos e intensos, impondo enormes desafios à sociedade, seja em áreas urbanas ou rurais. Com isso, estamos enfrentando uma demanda crescente por serviços de predição de alto desempenho. De fato, a eficácia de políticas econômicas e de prevenção é diretamente vinculada à nossa capacidade de gerenciar riscos e estimar os impactos associados a eventos extremos. A produtividade agrícola está intimamente relacionada com as condições climáticas, expandindo assim a demanda por sistemas de predição confiáveis. O propósito é evitar perdas expressivas na produção ou mesmo problemas operacionais no transporte e armazenamento. Eventos de chuva intensa tendem a produzir cenários de inundação, responsáveis por comprometer totalmente plantações inteiras em amplas áreas. Excesso de água pode também causar impactos negativos, como transbordamento de reservatórios, anaerobicidade e redução do crescimento das plantas. Modelos de sistemas terrestres (MSTs) se fundamentam em princípios físicos que governam o comportamento do clima, e podem ser empregados para realizar projeções de condições climáticas futuras. Muitos MSTs já foram propostos e suas respostas podem diferir significativamente. Essa é a motivação pela qual pesquisadores usualmente realizam projeções climáticas baseadas em ensembles de MSTs, objetivando mais acurácia e menor incerteza nos resultados. Nesta pesquisa, os ensembles seguirão uma perspectiva de aprendizado multitarefa (AMT), sendo que AMT busca desempenhos de generalização melhores com base no aprendizado simultâneo de tarefas relacionadas. Uma representação estrutural do compartilhamento de informação entre as tarefas será adequadamente explorada visando predições de precipitações extremas que sejam mais robustas e acuradas, também incluindo uma quantização espacial e o emprego de ferramentas estatísticas voltadas para eventos extremos. Esta abordagem de aprendizado multitarefa para ensembles de MSTs já foi aplicada com sucesso para a predição de temperatura e umidade, pelo mesmo grupo de pesquisa que está propondo este projeto, e a intenção é estender a abordagem para precipitações extremas. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

AYRES, AMANDA O. C.; VON ZUBEN, FERNANDO J.; IEEE. An Improved Version of the Fuzzy Set Based Evolving Modeling with Multitask Learning. 2020 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE), v. N/A, p. 8-pg., 2020-01-01. (17/19397-9)