Sistema de previsão de ocorrência de descargas elétricas baseado em aprendizado de máquina

Eventos meteorológicos severos podem ser a causa de inúmeros desastres naturais, tais como enxurradas, inundações, alagamentos e deslizamentos de encostas, que causam muitos prejuízos materiais e humanos. Mecanismos de monitoramento destes fenômenos podem ser utilizados para auxiliar na tomada de decisões por órgãos estatais de várias esferas, na tentativa de mitigar possíveis efeitos danosos. Esses fenômenos ocorrem, normalmente, de forma súbita com duração de curto prazo, sob uma região limitada, impondo dificuldades em ser predito por modelos regulares de previsão de tempo, exigindo sistemas específicos de predição. Sistemas de previsão de tempo de curtíssimo prazo, da ordem de poucas horas, conhecidos como nowcasting, podem incluir modelos numéricos de fenômenos físicos, e/ou utilizar-se de algoritmos de aprendizado de máquina. Este estudo apresenta, inicialmente, uma Revisão Sistemática da Literatura para investigar quais abordagens e métodos foram propostos para identificar e prever fenômenos meteorológicos severos utilizando aprendizado de máquina, e identificar quais variáveis meteorológicas provenientes de modelos numéricos de previsão de tempo são capazes de representar instabilidades atmosféricas associadas a tempestades com a presença de raios. Como principal contribuição deste trabalho, foi desenvolvido um sistema de previsão de incidência de descargas elétricas atmosféricas, fenômeno comum em tempestades eletricamente ativas, através da aplicação e avaliação de duas técnicas de aprendizado de máquina, uma rede neural artificial e um modelo de floresta aleatória, que conseguiram detectar a ocorrência de descargas elétricas atmosféricas a partir do reconhecimento automático de padrões oriundos dos dados gerados pelas previsões numéricas de tempo. Observou-se nos resultados que a utilização de variáveis mais bem correlacionadas do modelo numérico de previsão com os dados observacionais de descargas elétricas atmosféricas, permitiu a construção de conjuntos de dados de treinamento e teste que se mostraram efetivos, não demandando conhecimentos específicos da área de meteorologia para a construção do mesmo conjunto. Dos métodos de aprendizado de máquina utilizados, a Floresta Aleatória apresentou os melhores resultados quando treinado com o conjunto que inclui as dez variáveis melhores correlacionadas, atingindo 99,77% de acurácia para o estudo de caso realizado. No entanto, dado que o estudo de caso apresenta uma área e instante de tempo limitados, é necessário a realização de testes mais extensos e robustos para determinar possíveis generalizações e limitações na metodologia desenvolvida.Não recebi financiament