Uma abordagem multitarefa para a predição de precipitações extremas

• Processo: 18/09887-1
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de junho de 2018
• Data de Término da vigência: 30 de novembro de 2019
• Área de 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: Nicole Santos e Aguiar
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 17/19397-9 - Uma abordagem multitarefa para a predição de precipitações extremas, AP.PITE
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Multitarefa | predição de extremos climáticos | 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 acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

AGUIAR, Nicole Santos e. A multitask learning approach to automatic threshold selection in Pareto distributions. 2019. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Campinas, SP.