DETECÇÃO DE EVENTOS EXTREMOS DE PRECIPITAÇÃO EM SÉRIES HISTÓRICAS DE LONGO PRAZO UTILIZANDO MODELOS DE MACHINE LEARNING EM ÁREAS URBANAS: UM ESTUDO DE CASO EM RECIFE, BRASIL

Código

XVIII-SRHNE0312

Autores

Ubiratan Joaquim da Silva Junior, Gabriel Henrique da Silva, JUAREZ ANTONIO DA SILVA JUNIOR, Pedro Lucas da Silva, Fabiano Rocha Diniz, ANDERSON LUIZ RIBEIRO DE PAIVA, Leidjane Maria Maciel de Oliveira, SYLVANA MELO DOS SANTOS

Tema

4. Qualidade da Água, Monitoramento e Inovação Tecnológica

Resumo

Este estudo avalia o desempenho de três modelos de aprendizado de máquina Isolation Forest (IF), One-Class Support Vector Machine (SVM) e Gaussian Mixture Model (GMM) na detecção de eventos extremos de precipitação em uma série temporal diária de longo prazo (1940?2024) em Recife, Brasil. O índice R95p (percentil 95) foi adotado como referência para definição dos extremos. Os modelos foram aplicados como detectores de anomalias e avaliados por métricas categóricas, incluindo erros de omissão e comissão, acurácia global e Interseção sobre União (IoU), além de análise sazonal. O SVM apresentou o melhor desempenho (correlação = 0,86; IoU = 0,50; acurácia = 0,97), seguido pelo IF (IoU = 0,47; acurácia = 0,96), enquanto o GMM teve desempenho inferior (IoU = 0,32; acurácia = 0,95). Não foi identificada tendência estatisticamente significativa, embora o IF tenha acompanhado a leve tendência positiva do R95p. A análise sazonal indicou maior estabilidade do SVM.