Issue 1: Revisão Bibliográfica - Estimativa de Precipitação com CNN

[CaioDias9700]

Descrição: Revisar a literatura sobre redes neurais convolucionais aplicadas à estimativa de precipitação e ao uso de imagens de satélite. Atividades:

• Pesquisa de artigos sobre CNN em dados de satélite e estimativa de precipitação.
• Síntese de algoritmos convolucionais aplicados a imagens e séries temporais.
• Elaboração de uma revisão bibliográfica.

Sugestão de postagem:

1. Título do artigo, livro ou postagem.
2. Breve resumo.
3. Link.

[CaioDias9700]

Improving near real-time precipitation estimation using a U-Net convolutional neural network and geographical information

O artigo explora a aplicação de redes neurais convolucionais (CNN) para melhorar a estimativa de precipitação próximo a tempo real, especialmente em casos extremos como furacões. Ele avalia quatro modelos de CNN, com um foco especial na arquitetura U-Net e o uso de informações geográficas (latitude e longitude) junto aos dados infravermelhos. A inclusão dessas variáveis ajudou a CNN a capturar variações regionais na precipitação, com o modelo U-Net apresentando a melhor precisão. Comparado ao PERSIANN-CCS, o modelo U-Net demonstrou melhor detecção e precisão nas estimativas de chuva, com aplicabilidade para sistemas de alerta em desastres naturais.

https://www.sciencedirect.com/science/article/abs/pii/S1364815220309130

[CaioDias9700]

Conditional Generative Adversarial Networks (cGANs) for Near Real-Time Precipitation Estimation from Multispectral GOES-16 Satellite Imageries—PERSIANN-cGAN

Este artigo apresenta uma nova estrutura para estimativa de precipitação, combinando sensoriamento remoto via satélite e Deep Learning. Usando o sensor ABI no satélite GOES-16 e dados de elevação, o modelo primeiro identifica áreas de chuva e, em seguida, estima a quantidade de precipitação nas regiões chuvosas. Para isso, utiliza uma Rede Neural Convolucional treinada com uma combinação de cGAN e MSE para capturar padrões complexos de chuva. A precisão do modelo é avaliada com métricas como Probabilidade de Detecção e Taxa de Falsos Alarmes, mostrando que essa abordagem supera métodos tradicionais e é proposta como uma extensão do algoritmo PERSIANN-CCS para estimativas globais.

https://www.mdpi.com/2072-4292/11/19/2193

[CaioDias9700]

Improving Monsoon Precipitation Prediction Using Combined Convolutional and Long Short Term Memory Neural Network

Este estudo apresenta um método de downscaling estatístico para aumentar a resolução e precisão das previsões de precipitação de modelos de circulação geral (GCMs) na região das monções. Foi utilizada uma rede neural com camadas convolucionais e LSTM, testada na Bacia do Rio Xiangjiang, na China, onde superou tanto os dados de precipitação ECMWF-Interim quanto métodos clássicos de downscaling. O modelo também foi avaliado com previsões retrospectivas do ECMWF, mostrando melhor precisão para prazos de 1 dia a 2 semanas. Em simulações hidrológicas, a precipitação estimada pela rede neural teve um desempenho próximo ao dos dados observados, indicando seu potencial para previsões hidrológicas mais precisas.

https://www.mdpi.com/2073-4441/11/5/977