dado à previsão: Ciência de Dados e Machine Learning aplicados a séries temporais hidrológicas
A crescente
disponibilidade de dados ambientais tem ampliado o uso de técnicas de Ciência
de Dados e aprendizado de máquina na modelagem de sistemas naturais complexos.
Nesta palestra, discutiremos algumas das principais etapas envolvidas na
construção de um problema de previsão a partir de séries temporais
hidrológicas, tomando como estudo de caso dados do rio Wupper, na Alemanha.
Serão apresentados aspectos relacionados ao pré-processamento e integração de
dados, divisão temporal entre treinamento e teste, seleção e normalização de
variáveis, escolha de métricas de desempenho e interpretação dos resultados.
Como exemplo, serão comparados dois modelos de natureza distinta: o método
K-Nearest Neighbors (KNN) e redes neurais recorrentes do tipo Long Short-Term Memory
(LSTM), aplicados à previsão do nível diário do rio. Os resultados mostram que,
para o conjunto de dados considerado, o modelo mais simples apresentou
desempenho superior ao modelo mais complexo, o que por sua vez motiva uma
discussão mais ampla sobre interpretabilidade, custo computacional,
generalização e os desafios de avaliar modelos em problemas caracterizados por
eventos raros e extremos.
Anfiteatro B Palestra 3 - 21/10/2026 15:01 - 16:00