Apresentação de Monografia da Graduação de Fabrício de Souza Boia Medeiros e Lucas Dirk Gomes Ferreira

ESCOLA NACIONAL DE CIÊNCIAS ESTATÍSTICAS

Graduação em Estatística

Apresentação de Monografia

A Escola Nacional de Ciências Estatísticas convida para a defesa de Monografia da Graduação intitulada: “Avaliação Comparativa de Algoritmos de Classificação Aplicados à Previsão de Precipitação no Rio de Janeiro”

Alunos: Fabrício de Souza Boia Medeiros e Lucas Dirk Gomes Ferreira

Orientadora: Maria Luíza Guerra de Toledo (ENCE/IBGE)

Coorientadora: Mariza Ferro (UFF)

Data: 07 de julho de 2026 – Terça-feira

Horário: 14h00m

Local: Rua André Cavalcanti, 106, sala 305 – ENCE

Resumo: A previsão da ocorrência de precipitação em ambientes urbanos representa um desafio relevante para o planejamento urbano, a gestão de riscos e o apoio à tomada de decisão em eventos meteorológicos adversos. Este estudo avalia comparativamente algoritmos de classificação supervisionada aplicados à previsão da ocorrência de chuva no município do Rio de Janeiro, utilizando dados meteorológicos horários provenientes de estações do INMET. O problema foi formulado como uma tarefa de classificação binária, na qual se busca distinguir registros com e sem ocorrência de precipitação a partir de variáveis meteorológicas observadas nas horas anteriores. Foram consideradas como variáveis explicativas a temperatura do ar, umidade relativa, pressão atmosférica, temperatura do ponto de orvalho, velocidade do vento, radiação solar, estação do ano e o período do dia. Foram avaliados diferentes algoritmos de aprendizado de máquina, incluindo Naive Bayes, Regressão Logística com penalização Elastic Net, Árvore de Decisão, Random Forest, Support Vector Machine com kernels linear e RBF, LightGBM, XGBoost e Multilayer Perceptron (MLP). A avaliação foi conduzida por validação cruzada estratificada, considerando métricas como acurácia, sensibilidade, especificidade e área sob a curva ROC. Os resultados indicaram que não há um único modelo superior em todos os critérios avaliados. O Naive Bayes apresentou maior sensibilidade, destacando-se na identificação de eventos de chuva, embora com maior ocorrência de falsos positivos. O MLP obteve maior acurácia e especificidade, enquanto o LightGBM apresentou o melhor compromisso geral entre capacidade discriminativa e equilíbrio entre detecção de chuva e controle de falsos alarmes. A análise exploratória indicou que a umidade relativa, a radiação solar e a temperatura do ar estiveram entre as variáveis mais associadas à ocorrência de precipitação, especialmente nas defasagens temporais mais próximas ao evento. Além da avaliação preditiva, o trabalho também considerou o custo computacional e o impacto ambiental dos experimentos. O SVM com kernel RBF concentrou a maior parte do tempo de execução e do consumo energético. Os resultados evidenciam o potencial de métodos de aprendizado de máquina para a previsão de precipitação em escala local, especialmente quando avaliados de forma comparativa e sob múltiplas métricas. O estudo contribui para a construção de evidências empíricas sobre o uso de modelos supervisionados em dados meteorológicos observacionais do Rio de Janeiro.

Palavras-chave: Aprendizado de Máquina; Previsão de Precipitação; Dados meteorológicos; Rio de Janeiro.

Banca examinadora:
Maria Luíza Guerra de Toledo (ENCE/IBGE) – Orientadora

Mariza Ferro (UFF) – Coorientadora

Eduardo Corrêa Gonçalves (ENCE/IBGE) 

Sandra Canton Cardoso (ENCE/IBGE)

Coordenação de Graduação

Renata Pacheco Nogueira Duarte