Defesa de tese de Mestrado
Estudante: Ivan de Oliveira Franco
Programa: Meteorologia
Título: "PREVISÃO DE VARIÁVEIS METEOROLÓGICAS DE SUPERFÍCIE COM WAVELETS E REDES NEURAIS NAS ESCALAS DE 1 HORA E 7 DIAS"
Orientador: Prof. Dr. Humberto Ribeiro da Rocha
Comissão Julgadora:
- Prof. Dr. Humberto Ribeiro da Rocha - Presidente e Orientador (IAG/USP)
- Prof. Dr. Alexandre Cláudio Botazzo Delbem - ICMC/USP (por videoconferência)
- Prof. Dr. Rafael Cesario de Abreu - University of Oxford (por videoconferência)
Membros suplentes:
- Profa. Dra. Rosmeri Porfírio da Rocha - IAG USP
- Dr. Gabriel Martins Palma Perez - MeteolA
- Dr. Gilvan Sampaio de Oliveira - CPTEC/INPE
Resumo:
A previsão meteorológica precisa constitui desafio científico fundamental com implicações diretas para agricultura, energia renovável, gestão de recursos hídricos e proteção civil. Esta dissertação desenvolve e aplica análise wavelet multiescala integrada a modelos LSTM para caracterização espectral e previsão de variáveis meteorológicas. A abordagem estrutura-se em duas etapas complementares: (i) análise espectral via Transformada Wavelet Contínua (CWT) para identificação de oscilações características, relações cruzadas e padrões de coerência entre variáveis; (ii) modelagem preditiva utilizando Transformada Wavelet Discreta (DWT) acoplada a redes LSTM, com foco em coeficientes de aproximação que capturam componentes de baixa frequência relevantes para previsibilidade. Estabelece-se fundamentação teórica abrangendo análise harmônica, teoria de wavelets ortogonais e biortogonais, análise de multirresolução de Mallat e redes neurais recorrentes. A metodologia aplica-se a cinco variáveis meteorológicas — temperatura do ar, velocidade do vento, precipitação, radiação solar global e umidade relativa — utilizando dados horários de estações automáticas do INMET. A análise espectral (CWT, WTX, WCOH) utiliza dados da estação A701 (São Paulo/SP) revelando oscilações características em múltiplas escalas temporais, desde ciclos diurnos até variabilidade sazonal, identificando padrões de complementaridade eólico-solar e relações de fase entre variáveis atmosféricas. A modelagem preditiva estrutura-se em dois horizontes: (i) predição de 1 hora (nowcasting) na estação A036 (Cristalina/GO), com ganhos em R² demonstrando eficácia da decomposição wavelet em capturar persistência de curto prazo; (ii) predição de 7 dias (sinótica) na estação A701 (São Paulo/SP) com agregação diária, onde modelos W-LSTM operando sobre componentes de aproximação (cA) obtidos por DWT (db4, db6, haar, bior2.2, bior3.3) demonstram superioridade sobre LSTM convencional, com incrementos de até 666% em KGE para vento e desempenho excepcional (KGE = 0.888) para radiação solar. A análise comparativa entre famílias wavelet evidencia trade-offs entre número de momentos nulos, simetria de fase e capacidade de aproximação, fornecendo critérios de seleção específicos por variável. As contribuições incluem: (i) framework teórico-metodológico para análise espectral e predição multiescala em meteorologia; (ii) protocolo de decomposição DWT com seleção fundamentada de níveis e famílias wavelet; (iii) identificação de escalas temporais ótimas para previsibilidade semanal; (iv) caracterização de padrões de complementaridade entre recursos renováveis via análise wavelet cruzada. [cite: 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]
Palavras-chave: Wavelets, LSTM, Previsão meteorológica, Deep learning, Análise multiescala, Redes neurais, Transformadas tempo-frequência [cite: 18]