Defesa de Dissertação de Mestrado de Lucas Dirk Gomes Ferreira, 31/03/26, 16h30, na sala 310 do Instituto de Computação
Modelagem das Relações Probabilísticas entre Variáveis Meteorológicas e Precipitação no Município do Rio de Janeiro por meio de Redes Bayesianas
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.
Abstract:
Bayesian Networks (BNs) provide an interpretable probabilistic framework for modeling uncertainty in complex environmental systems. This study proposes a Bayesian Network (BN) to represent probabilistic relationships between meteorological variables and precipitation in Rio de Janeiro, Brazil, using hourly data from telemetric stations (2002–2024).
Candidate models were evaluated in terms of interpretability and predictive performance. Structural constraints informed by meteorological knowledge ensured temporal and physical coherence. Among the models evaluated, the Hill-Climbing (HC) algorithm with the K2 scoring criterion achieved the best predictive performance in terms of accuracy, specificity, and sensitivity. However, for interpretative purposes, the HC algorithm with the Bayesian Information Criterion (BIC) was selected due to its more parsimonious structure, which aligns more closely with physical reasoning.
The learned structure indicated that rainfall occurrence mainly depends on short-term atmospheric conditions, particularly high humidity, low solar radiation, and moderate wind speeds with a one-hour lag. Validation confirmed consistent cross-validation results and physically coherent patterns associated with convection and moisture transport. By explicitly representing conditional dependencies, the proposed BN improves interpretability over black-box methods and supports probabilistic reasoning for short-term precipitation assessment.
The findings highlight the potential of BNs as transparent and physically consistent tools for weather modeling and environmental decision support. Furthermore, BNs proved to be a sustainable modeling approach, characterized by low computational demand and minimal energy consumption during the training phase.
Banca examinadora:
Profa. Mariza Ferro, UFF
Profa. Aline Marins Paes Carvalho, UFF
Profa. Fernanda Cerqueira Vasconcellos, UFRJ
Prof. Thiago Malheiros Porcino, LNCC