Self-supervised weather data clustering for inspecting local climate change

Resumo

À medida que o aquecimento global se agrava, observamos um aumento na frequência, duração e intensidade de diversos fenômenos climáticos, como chuvas intensas, ondas de calor e secas. Esses eventos frequentemente resultam em graves consequências ao ultrapassar os limites críticos em sistemas sociais, ecológicos ou físicos, ou ao coincidir com outros eventos adversos. Reconhecendo a urgente necessidade de modelos adaptáveis diante dos efeitos das mudanças climáticas, este projeto tem como objetivo examinar esses impactos utilizando dados climáticos locais. Ao agrupar padrões climáticos e analisar tendências, a meta é reunir evidências de mudanças nos padrões climáticos observados ao longo do tempo. Para conduzir essa análise, emprega-se uma técnica auto supervisionada chamada Swapping Assignments between multiple Views (SwAV). A metodologia mostrou resultados promissores ao criar clusters significativos com base nos parâmetros de temperatura e precipitação. Esses clusters podem potencialmente aprimorar modelos ou aplicações dependentes de dados meteorológicos e demonstram o impacto do aquecimento global com tendências crescentes de grupos mais extremos em uma região que engloba partes das regiões sul, sudeste e centro-oeste do Brasil, além de partes do Paraguai e Argentina.

Ficha do documento

Tipo

Outro

Ano

2023

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/35365

Temas

DadosMeio Ambiente

Palavras-chave

Self-supervisedWeather clusteringClimate changeDeep learningUnsupervised learningContrastive learningMatemáticaMudanças climáticasAprendizado profundo (Aprendizado do computador)