Defesa de Dissertação de Mestrado de Douglas Ferreira Brum, 27/08/25, 17h, por videoconferência
Link para defesa: https://meet.google.com/vkn-pxbk-jgg
Green AI Aplicada ao Nowcasting: Um Estudo com Modelos Recorrentes Otimizados
Resumo:
Eventos extremos de chuva têm causado impactos severos, especialmente em regiões urbanas do Sul Global, como o Rio de Janeiro. Prever esses eventos é um grande desafio, pois os modelos numéricos tradicionais possuem limitações em horizontes de curtíssimo prazo. Nesse cenário, a inteligência artificial, por meio de redes neurais recorrentes (RNN), tem se destacado no textit{nowcasting}. No entanto, seu uso intensivo levanta preocupações quanto à sustentabilidade dessas soluções, não apenas do ponto de vista ambiental (devido ao alto consumo de energia, emissões de carbono e uso de água), mas também em termos econômicos, sociais e operacionais — especialmente quando se busca aplicabilidade em contextos vulneráveis e com restrições de infraestrutura.
Esta dissertação apresenta uma abordagem alinhada à IA Verde, propondo uma metodologia experimental para avaliar modelos de redes neurais quanto à acurácia preditiva e ao impacto ambiental. Foram realizados testes com os modelos ConvLSTM, PredRNN-V2 e MotionRNN, além de suas versões otimizadas com o framework MS-RNN, em dois conjuntos de dados de radar: TAASRAD19 e Rio de Janeiro. O trabalho inclui também um processo local de pré-processamento da base do Rio, com transformações espaciais e temporais para adequação aos modelos.
Os resultados indicam que o MS-RNN permite manter ou melhorar o desempenho preditivo, reduzindo significativamente o consumo computacional e os impactos ambientais. As contribuições do trabalho envolvem a análise comparativa entre modelos, a consolidação de uma metodologia para avaliação sustentável e o estudo detalhado de uma base de dados meteorológicos reais, destacando caminhos viáveis e responsáveis para aplicações de IA em sistemas de alerta antecipado.
Abstract:
Extreme rainfall events have caused severe impacts, especially in urban areas of the Global South, such as Rio de Janeiro. Forecasting these events remains a major challenge, as traditional numerical models face limitations in very short-term horizons. In this context, artificial intelligence, particularly through recurrent neural networks (RNNs), has shown promising results in textit{nowcasting}. However, the intensive use of such models raises concerns regarding the sustainability of these solutions—not only from an environmental perspective (due to high energy consumption, carbon emissions, and water usage), but also in economic, social, and operational terms—especially when aiming for applicability in vulnerable contexts with limited infrastructure.
This dissertation presents an approach aligned with Green AI, proposing an experimental methodology to evaluate RNN-based models with respect to both predictive accuracy and environmental impact. Experiments were conducted with ConvLSTM, PredRNN-V2, and MotionRNN models, as well as their optimized versions using the MS-RNN framework, across two radar datasets: TAASRAD19 and Rio de Janeiro. The work also includes a local preprocessing pipeline for the Rio dataset, involving spatial and temporal transformations to adapt it for modeling.
The results indicate that MS-RNN can maintain or even improve predictive performance while significantly reducing computational consumption and environmental impact. The contributions of this work include a comparative analysis of models, the consolidation of a methodology for sustainable evaluation, and an in-depth study of real meteorological data—highlighting viable and responsible paths for AI applications in early warning systems.
Banca examinadora:
Profa. Mariza Ferro, UFF – Presidente
Prof. Leandro Augusto Frata Fernandes, UFF
Prof. Fabrício Polifke da Silva, UFRJ
Prof. Eduardo Bezerra da Silva, CEFET/RJ
Prof. Luan Teylo Gouveia Lima, Inria Bourdeaux