Defesa de Tese de Doutorado em Meteorologia
Estudante: Darsys Agüero Morell
Programa: Meteorologia
Título: "Estimativa de precipitação com o satélite GOES-16 e Redes Neurais Artificiais na região do Litoral"
Orientador: Prof. Dr. Augusto José Pereira Filho
Comissão Julgadora:
- Prof. Dr. Augusto José Pereira Filho – IAG/USP
- Prof. Dr. Ricardo Hallak – IAG/USP
- Prof. Dr. Nelson Jesuz Ferreira - INPE
- Prof. Dr. Otto Corrêa Rotunno Filho - UFRJ
- Prof. Dr. Hugo Abi Karam – UFRJ
Resumo:
A precipitação no litoral brasileiro está associada a impactos hidrológicos recorrentes, mas sua estimativa por satélites geoestacionários ainda enfrenta limitações. Uma das principais dificuldades decorre da relação ambígua entre a temperatura do topo das nuvens e a chuva observada em superfície, especialmente em sistemas rasos com topos relativamente quentes. Esta tese avaliou em que medida a incorporação de variáveis meteorológicas de grande escala pode melhorar a estimativa de precipitação por aprendizado profundo a partir de dados do satélite GOES-16 nas regiões costeiras do Brasil. Na primeira etapa, a faixa litorânea foi delimitada de forma objetiva com base na correlação entre séries mensais de precipitação do IMERG no período de 2001 a 2024. Em seguida, essa faixa foi regionalizada em quatro regimes contíguos: Norte, Nordeste, Sudeste e Sul. A análise das feições de precipitação observadas pelo radar de dupla frequência do GPM (Global Precipitation Measurement, Medição Global da Precipitação) entre 2014 e 2024, combinada à temperatura de brilho do canal 13 do GOES-16, mostrou que as diferenças regionais estão menos relacionadas à dimensão horizontal e à taxa mediana de precipitação dos sistemas e mais à sua frequência, profundidade vertical e fração convectiva. A chuva associada a topos quentes mostrou-se particularmente relevante no Nordeste, onde correspondeu a 18% das feições em dezembro, janeiro e fevereiro e a 71% em junho, julho e agosto. Nessa região, foram observadas taxas de precipitação de até 40 mm h⁻¹ sob temperaturas de brilho entre 274 e 278 K, condição na qual critérios radiométricos tradicionais tenderiam a indicar chuva fraca ou mesmo ausência de precipitação. Um protocolo de seleção desenvolvido em quatro etapas identificou cinco preditores do ERA5 para cada região, com predominância de variáveis relacionadas à umidade e à instabilidade atmosférica. Na segunda etapa da pesquisa, foram avaliadas nove configurações de redes neurais convolucionais pertencentes a quatro famílias de arquiteturas. As configurações incluíram os quatro modelos base (UNet, ResAttn, ASPP e DeepSup) e suas versões com fusão de variáveis meteorológicas, além da versão UNet com modulação FiLM. As redes foram treinadas com dados de 2021 a 2023, utilizando a precipitação do DPR (Dual-frequency Precipitation Radar, bandas Ka/Ku) como referência, e avaliadas em anos independentes de validação, em 2024, e de teste, em 2025. O desempenho também foi comparado ao produto operacional RRQPE (Rainfall Rate / Quantitative Precipitation Estimate). Os modelos superaram o RRQPE em 71 das 72 combinações de configuração, região e ano avaliadas na detecção da precipitação. Os valores de Índice de sucesso crítico (CSI, Critical Success Index) variaram entre 0,221 e 0,382 para as redes, enquanto o produto operacional apresentou valores entre 0,166 e 0,276. Considerando a melhor configuração de cada região, a redução do erro absoluto médio (MAE, Mean Absolute Error) variou entre 23% e 41%. Para a chuva quente, regime em que o RRQPE apresentou Probabilidade de detecção (POD, Probability of detection) e CSI nulos, os modelos alcançaram valores de CSI de até 0,314 no Nordeste e 0,419 no Sudeste. O benefício da informação meteorológica variou de acordo com o regime regional. Os principais ganhos ocorreram na detecção, especialmente no Sul, devido à redução de falsos alarmes, e na chuva quente do Nordeste, pela maior capacidade de representar um regime sistematicamente subestimado. Em contrapartida, o efeito sobre a estimativa da intensidade foi pequeno, e a inclusão das variáveis meteorológicas não compensou a ausência dos canais visíveis durante o período noturno. Entre as estratégias de fusão avaliadas, a modulação FiLM apresentou resultados mais consistentes do que a concatenação direta. Conclui-se que a informação meteorológica de grande escala não melhorou de forma uniforme a detecção e a estimativa de precipitação por satélite; seu valor se concentrou nos contextos em que a informação radiométrica apresenta maior dificuldade: a superestimativa em regimes frontais no Sul e a chuva quente no Nordeste. Também se demonstrou que modelos regionais de aprendizado profundo oferecem uma alternativa mais eficaz ao produto operacional RRQPE para o monitoramento da precipitação ao longo da costa brasileira. A principal contribuição desta tese consiste, portanto, em mostrar não apenas que o efeito do contexto meteorológico varia conforme a região e o tipo de chuva, mas também em identificar onde e por quais mecanismos esses ganhos ocorrem.
Palavras-chave: estimativa de precipitação, precipitação costeira, GOES-16, GPM/DPR, chuva quente, aprendizado profundo, ERA5, redes neurais convolucionais