Técnicas de filtragem adaptativa e aprendizado de máquina para redução de erros sistemáticos em modelos climáticos

Diogo de Souza Magalhães, Sin Chan Chou, Lisandro Lovisolo, Michel Pompeu Tcheou

DOI: 10.14209/sbrt.2025.1571157250

Evento: XLIII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais (SBrT2025)

Keywords: Aprendizado de máquina Filtros adaptativos Modelos climáticos Temperatura de superfície do mar

Abstract

Neste trabalho, técnicas de filtragem adaptativa e aprendizado de máquina são aplicadas com o objetivo de reduzir o viés presente nas previsões do modelo climático BESM (Brazilian Earth System Model), desenvolvido pelo INPE (Instituto Nacional de Pesquisas Espaciais). A acurácia do modelo é avaliada em relação ao conjunto de dados de reanálise ERA5 produzido pelo ECMWF (European Centre for Medium-Range Weather Forecasts). Os métodos de filtragem adaptativa Affine Projection e Recursive Least Squares, juntamente com abordagens de aprendizado de máquina como Random Forest Regression e Multilayer Perceptrons, são utilizados para pós-processar a previsão da temperatura da superfície do mar (TSM) do BESM, visando aumentar sua acurácia e reduzir o erro de previsão do modelo. Os resultados de redução dos erros de previsão da TSM do modelo BESM com os diferentes métodos são comparados. Assim, este trabalho contribui para o desenvolvimento de metodologias de aprimoramento de previsões climáticas e de eventos extremos usando técnicas de filtragem adaptativa e aprendizado de máquina.

Download