Banca de DEFESA: ANDERSON BATISTA EVANGELISTA LIMA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANDERSON BATISTA EVANGELISTA LIMA
DATA : 31/08/2026
HORA: 14:00
LOCAL: meet.google.com/jhr-vwxy-byj
TÍTULO:

Avaliação da Generalização Espacial de Modelos LSTM para Predição de SPEI-12 na Mesorregião Norte de Minas Gerais, com Comparação entre Tumbling e Sliding Windows.

PALAVRAS-CHAVES:

Predição de secas; Aprendizado de Máquina; aprendizado profundo; LSTM; SPEI-12; Mesorregião Norte de Minas Gerais; Região do Semiárido; Polígono das Secas; Brasil; séries temporais; tumbling windows; sliding windows; generalização espacial; municípios limítrofes; Python; programação orientada a objetos.

PÁGINAS: 142
RESUMO:

Secas são o segundo tipo de desastre natural que mais afeta pessoas em todo o mundo (1,43 bilhões de pessoas entre 2000 e 2019) e vêm ocorrendo com frequência e intensidade crescentes. No Brasil, 94% da Região do Semiárido (antes denominada Polígono das Secas) apresenta média ou alta suscetibilidade à desertificação. Como os danos da seca podem ser reduzidos quando preditos, técnicas de aprendizado de máquina têm sido aplicadas com sucesso à predição de índices de seca. Ainda assim, permanece a lacuna sobre em que medida modelos treinados em um município são capazes de generalizar para municípios vizinhos. Nesse contexto, o presente trabalho tem como área de estudo a Mesorregião Norte de Minas Gerais, inserida na Região do Semiárido, e objetiva aplicar a técnica Long Short-Term Memory (LSTM) à predição do Standardized Precipitation Evapotranspiration Index (SPEI) em municípios selecionados. A partir de cinco municípios representativos selecionados em estudo pregresso, foram treinadas redes neurais LSTM com duas técnicas de janelamento (tumbling windows e sliding windows), e os modelos resultantes foram comparados pelas métricas MAE, MSE, RMSE e R² quanto à sua capacidade de generalização espacial sobre os municípios limítrofes. 
A implementação, integralmente em Python sob o paradigma de orientação a objetos, revelou que: i) a técnica tumbling windows é consistentemente superior à técnica sliding windows; ii) dos 39 municípios limítrofes analisados, 38 (97%) obtiveram desempenho pelo menos "satisfatório"' e 34 (87%) obtiveram desempenho "bom"' ou "muito bom"' em tumbling windows; e iii) modelos treinados em zonas de transição climática tendem a apresentar melhor capacidade de generalização regional.

MEMBROS DA BANCA:
Presidente - 1183761 - SANDRO CARVALHO IZIDORO
Interno - 1765728 - ADLER DINIZ DE SOUZA
Externa ao Programa - 2225914 - ANA CAROLINA VASQUES FREITAS - UNIFEIExterno à Instituição - ERICK OLIVEIRA RODRIGUES - UTFPR