Modelagem das Relações Probabilísticas entre Variáveis Meteorológicas e Precipitação no Município do Rio de Janeiro por meio de Redes Bayesianas

Será defendida no dia 31 de março de 2026, às 16:30 horas, na sala 310 do Instituto de Computação, a Dissertação de Mestrado intitulada “Modelagem das Relações Probabilísticas entre Variáveis Meteorológicas e Precipitação no Município do Rio de Janeiro por meio de Redes Bayesianas”, do candidato ao título de Mestre em Computação – Lucas Dirk Gomes Ferreira.

Resumo:

Redes Bayesianas (RBs) fornecem uma estrutura probabilística interpretável para a modelagem da incerteza em sistemas ambientais complexos. Este estudo propõe uma Rede Bayesiana (RB) para representar relações probabilísticas entre variáveis meteorológicas e a precipitação no Rio de Janeiro, Brasil, utilizando dados horários de estações telemétricas (2002–2024).

Os modelos candidatos foram avaliados quanto à interpretabilidade e ao desempenho preditivo. Restrições estruturais baseadas em conhecimento meteorológico asseguraram coerência temporal e física. Entre os modelos avaliados, o algoritmo Hill-Climbing (HC) com o critério K2 apresentou o melhor desempenho preditivo em termos de acurácia, especificidade e sensibilidade. No entanto, para fins interpretativos, optou-se pelo algoritmo HC com o critério BIC (Critério de Informação Bayesiano), devido à sua estrutura mais parcimoniosa, que melhor se alinha ao raciocínio físico.

A estrutura aprendida indicou que a ocorrência de chuva depende principalmente de condições atmosféricas de curto prazo, especialmente alta umidade, baixa radiação solar e velocidades moderadas do vento com defasagem de uma hora. A validação confirmou resultados consistentes na validação cruzada e padrões fisicamente coerentes associados à convecção e ao transporte de umidade. Ao representar explicitamente dependências condicionais, a RB proposta melhora a interpretabilidade em relação a métodos do tipo “caixa-preta” e oferece suporte ao raciocínio probabilístico para avaliação de precipitação em curto prazo. 

Os resultados destacam o potencial das RBs como ferramentas transparentes e fisicamente consistentes para modelagem meteorológica e apoio à decisão ambiental. Além disso, as RBs demonstraram ser uma abordagem de modelagem sustentável, caracterizada por baixa demanda computacional e consumo mínimo de energia durante a fase de treinamento.

Resumo:

Redes Bayesianas (RBs) fornecem uma estrutura probabilística interpretável para modelar a incerteza em sistemas ambientais complexos. Este estudo propõe uma Rede Bayesiana (RB) para representar as relações probabilísticas entre variáveis ​​meteorológicas e precipitação no Rio de Janeiro, Brasil, utilizando dados horários de estações telemétricas (2002–2024).

Os modelos candidatos foram avaliados em termos de interpretabilidade e desempenho preditivo. Restrições estruturais baseadas em conhecimento meteorológico garantiram a coerência temporal e física. Dentre os modelos avaliados, o algoritmo de Busca em Subida de Montanha (HC) com o critério de pontuação K2 apresentou o melhor desempenho preditivo em termos de acurácia, especificidade e sensibilidade. Contudo, para fins interpretativos, o algoritmo HC com o Critério de Informação Bayesiano (BIC) foi selecionado devido à sua estrutura mais parcimoniosa, que se alinha mais estreitamente com o raciocínio físico.

A estrutura aprendida indicou que a ocorrência de chuva depende principalmente de condições atmosféricas de curto prazo, particularmente alta umidade, baixa radiação solar e velocidades moderadas do vento, com uma defasagem de uma hora. A validação confirmou resultados consistentes de validação cruzada e padrões fisicamente coerentes associados à convecção e ao transporte de umidade. Ao representar explicitamente as dependências condicionais, a Rede Bayesiana proposta melhora a interpretabilidade em relação aos métodos de caixa-preta e apoia o raciocínio probabilístico para a avaliação da precipitação em curto prazo.

Os resultados destacam o potencial das Redes Bayesianas como ferramentas transparentes e fisicamente consistentes para modelagem climática e apoio à tomada de decisões ambientais. Além disso, as Redes Bayesianas demonstraram ser uma abordagem de modelagem sustentável, caracterizada por baixa demanda computacional e consumo mínimo de energia durante a fase de treinamento.

Banca  examinadora:

Profa. Mariza Ferro, UFF

Profa. Aline Marins Paes Carvalho, UFF

Profa. Fernanda Cerqueira Vasconcellos, UFRJ

Prof. Thiago Malheiros Porcino, LNCC