A brief overview of deep learning approaches for climate data
Carregando...
Arquivos
Data
2023-12-19
Autores
Orientador(res)
Oliveira, Dário Augusto Borges de
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
A frequência, duração e intensidade de diferentes eventos climáticos extremos têm aumentado à medida que o sistema climático se aquece. Por exemplo, as mudanças climáticas levam a uma maior evaporação, o que pode agravar secas e aumentar a frequência de chuvas intensas e nevascas. Esses eventos climáticos extremos frequentemente resultam em condições ou impactos extremos, seja ultrapassando um limiar crítico em um sistema social, ecológico ou físico, ou coincidindo com outros eventos. O sensoriamento remoto nos permite compreender melhor, prever e quantificar eventos climáticos em vastas regiões da Terra. Previsões meteorológicas tradicionalmente dependem da Previsão Numérica do Tempo (NWP), que envolve a formulação de equações precisas de física, posteriormente traduzidas em algoritmos executados em supercomputadores, mas a previsão numérica do tempo requer conhecimento substancial e recursos computacionais. A aprendizagem de máquina oferece uma abordagem inovadora, aproveitando dados para complementar abordagens híbridas ou substituir completamente equações tradicionais baseadas em física. Especificamente, a aprendizagem supervisionada com base no conjunto de dados de reanálise ERA5 tem sido usada na previsão de dinâmicas atmosféricas. No entanto, os padrões espaço-temporais observados nesses dados são altamente complexos, razão pela qual métodos de aprendizagem de máquina não supervisionada e fracamente supervisionada têm sido amplamente utilizados para a classificação ou agrupamento desses eventos complexos. Este trabalho tem como objetivo apresentar uma revisão de ferramentas de aprendizagem profunda supervisionadas, semi-supervisionadas e auto-supervisionadas para a análise de dados climáticos rotulados e fracamente rotulados. Primeiramente, apresentamos a taxonomia básica de aprendizagem para métodos supervisionados, fracamente supervisionados, semi-supervisionados, auto-supervisionados e não supervisionados. Em seguida, introduzimos a física por trás dos dados climáticos, assim como soluções numéricas e de aprendizagem de máquina presentes na literatura. Depois, abordamos o desafio de lidar com grandes volumes de dados climáticos fracamente rotulados. Por fim, direcionamos a atenção para artigos de pesquisa sobre aprendizado de máquina para eventos climáticos, apresentando pesquisas relacionadas, descobertas e contribuições para o campo. Em conclusão, esta tese final de graduação fornece uma síntese das descobertas e destaca perspectivas de pesquisa futuras.