Tese de Doutorado

Desde os primórdios da humanidade, o clima tem exercido uma influência significativa na vida humana. Embora milênios tenham se passado sem que se desenvolvesse uma tecnologia capaz de controlar o clima, atualmente é possível monitorar a atmosfera por meio de instrumentação adequada, buscando entender o funcionamento desse sistema complexo e mitigar os impactos da ação antrópica. Eventos climáticos são fenômenos atmosféricos que geram consequências sociais e econômicas, e a fiscalização destes eventos é a principal forma de minimizar essas consequências. Esta tese propõe um modelo para a detecção de eventos climáticos, utilizando dados coletados de estações de medição. Os dados são utilizados para treinar modelos de aprendizado de máquina, com o objetivo de prever a ocorrência de eventos climáticos diversos, a partir do impacto destes eventos nas variáveis meteorológicas coletadas. O modelo se baseia nos princípios da Ciência Aberta, visando a colaboração científica e o compartilhamento de informações para benefício da ciência e da sociedade. Para isso, foram utilizados dados e padrões abertos estabelecidos pela comunidade científica, garantindo a reprodutibilidade e a replicabilidade dos experimentos. A validação do modelo foi realizada em estudos de caso envolvendo frentes de ar fria, erupções vulcânicas e furações. Fornecendo variáveis meteorológicas como temperatura, pressão atmosférica, umidade e velocidade do vento o modelo obteve métricas de desempenho superiores a 90%, indicando sua robustez e capacidade de generalização.

Since the dawn of humanity, climate has significantly influenced human life. Although millennia have passed without the development of technology capable of controlling the climate, it is currently possible to monitor the atmosphere through appropriate instrumentation, seeking to understand the functioning of this complex system and mitigate the impacts of human action. Weather events are atmospheric phenomena that generate social and economic consequences; monitoring these events is the main way to minimize these consequences. This thesis proposes a model for detecting weather events using data collected from measuring stations. We use the data to train machine learning models to predict the occurrence of various weather events based on the impact of these events on the meteorological variables collected. The model is based on the principles of Open Science, aiming at scientific collaboration and information sharing to benefit science and society. For this, open data and standards established by the scientific community were used, guaranteeing the reproducibility and replicability of the experiments. Model validation was carried out on case studies involving cold air fronts, volcanic eruptions, and hurricanes. Providing meteorological variables such as temperature, atmospheric pressure, humidity and wind speed, the model obtained performance metrics above 90%, indicating its robustness and generalization capacity.