Banca de DEFESA: ELVIS USCAMAYTA FERRANO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ELVIS USCAMAYTA FERRANO
DATA : 07/08/2026
HORA: 09:00
LOCAL: Sala de Videoconferência do IG
TÍTULO:

FUSÃO DE DADOS POR SATÉLITE E IN SITU USANDO APRENDIZADO DE MÁQUINA PARA REDUÇÃO DE ESCALAMENTO DE PRECIPITAÇÃO NA REGIÃO DO ALTIPLANO

PALAVRAS-CHAVES:

Redução de escala estatística; Altiplano-Andino; MSWE

PÁGINAS: 71
RESUMO:

A ausência de conjuntos de dados de precipitação em alta resolução espacial constitui uma importante limitação para estudos hidrológicos e climáticos no Altiplano Andino. Embora existam produtos de precipitação por satélite amplamente utilizados, sua resolução espacial relativamente grosseira restringe aplicações em escala local. Neste contexto, este estudo propõe uma metodologia de downscaling baseada em aprendizado de máquina para desenvolver uma base de dados mensal de precipitação com resolução espacial de 1 km para o período de 2004–2015. Inicialmente, os produtos CHIRPS, MSWEP e IMERG foram avaliados em relação aos registros de 29 estações pluviométricas, sendo o MSWEP selecionado como produto-base devido ao seu melhor desempenho na escala diária. Em seguida, foram integradas covariáveis térmicas, de superfice, atmosféricas, topográficas e
espaciais em modelos eXtreme Gradient Boosting (XGBoost) e Categorical Boosting (CatBoost). O treinamento foi realizado utilizando 20 estações (70% do conjunto de dados), empregando validação cruzada espacial Group K-Fold (K = 5) e otimização Bayesiana dos hiperparâmetros, enquanto as nove estações restantes foram reservadas para um conjunto independente de teste. Três cenários de modelagem foram avaliados, considerando diferentes combinações de covariáveis. Durante a etapa de validação, o XGBoost apresentou o melhor desempenho, alcançando coeficiente de correlação (R) de 0,904 no conjunto de teste. Após a aplicação dos modelos para a geração da base de dados em 1 km, ambos reduziram significativamente os erros do produto original MSWEP, sendo o CatBoost o modelo que apresentou o melhor desempenho final, reduzindo o RMSE em aproximadamente 34% e o MAE em 38%, preservando simultaneamente a correlação temporal da precipitação. Os resultados demonstram que a metodologia proposta permite gerar um conjunto de dados de precipitação em alta resolução espacial mais preciso, constituindo uma ferramenta com potencial para aplicações em modelagem hidrológica, gestão de recursos hídricos e estudos de mudanças climáticas no Altiplano Andino.

 

MEMBROS DA BANCA:
Externo à Instituição - FRANCISCO DE ASSIS DOURADO DA SILVA - UERJ
Externo ao Programa - 3211003 - GUSTAVO MACEDO DE MELLO BAPTISTA - nullPresidente - 1495411 - HENRIQUE LLACER ROIG
Interna - 1780820 - SUSANNE TAINA RAMALHO MACIEL