Inferência causal e aprendizado de máquina em sistemas complexos climáticos

• Processo: 24/08278-2
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de novembro de 2024
• Data de Término da vigência: 31 de outubro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Francisco Aparecido Rodrigues
• Beneficiário: Matheus Victal Cerqueira
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Eventos climáticos extremos Redes complexas
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | eventos extremos | Inferência Causal | Redes Complexas | Sistemas Complexas

Resumo

Como efeito da mudança climática, cada vez mais temos presenciado a ocorrência de eventos climáticos extremos como anomalias hidrológicas, ciclones intensos e ondas de calor. O impacto socioeconômico desses fenômenos é enorme e há grande interesse científico em sua compreensão, caracterização e previsão, tarefas extremamente difíceis devido ao seu comportamento de extremidade em relação à distribuição histórica. Como exemplo, temos os eventos hidrológicos extremos compreendidos por estiagens e precipitação extrema. Sua ocorrência pode ter diversos impactos como destruição de capacidade de produção agrícola, intensificação de insegurança alimentar, disrupção de fluxos econômicos e de pessoas, destruição de propriedade pública e privada, entre muitos outros e sua previsão é extremamente importante na mitigação desses efeitos. Como em muitos outros campos de estudo, métodos baseados em correlação e regressão ainda são as ferramentas mais comuns para análises baseadas em dados nas Ciências da Terra sendo amplamente aplicadas para o estudo desse tipo de fenômeno extremo. Essas ferramentas são práticas, mas trazem conhecimento limitado sobre a dinâmica causal de um sistema. Ao mesmo tempo, temos visto a evolução do uso de métodos de aprendizado profundo para previsão de eventos extremos, mas sem conhecimento da estrutura causal do sistema, esses métodos muitas vezes levam a modelos "caixa preta"de difícil interpretação. Dessa forma, o presente projeto propõe o estudo e integração de técnicas modernas de inferência causal, ciência de redes complexas e aprendizado profundo com o intuito de criar sistemas de aviso prévio para eventos hidrológicos extremos a partir do estudo de caso de estiagem na Bacia Amazônica. O objetivo é desenvolver uma metodologia geral para a criação desses sistemas a partir das técnicas mencionadas e do caso base de estudo de estiagem no berço hidrológico da Amazônia.