UNIVERSIDADE ESTADUAL PAULISTA

“JÚLIO DE MESQUITA FILHO”

A PROPOSIÇÃO DE UM SISTEMA PARA PREVISÃO AUTÔNOMA DE CHUVA

DE CURTO PERÍODO (UM DIA) BASEADO EM LÓGICA ​FUZZY

Yuri Vasconcelos de Almeida Sá

Número de inscrição: 175021

Linha de Pesquisa II: Geoprocessamento e modelagem matemática ambiental

Orientador Pretendido​: ​Prof. Dr. José Arnaldo Frutuoso Roveda

Sorocaba

2018
 1

1 - Introdução e Justificativa

O Brasil tem mais de 8 milhões de quilômetros quadrados de extensão ​(IBGE,

2012)​, o que coloca o país em 5o na lista de mais extensos do mundo, sendo o clima tropical
predominante, fazendo com que chuvas sejam freqüentes e volumosas. Embora a importância da
chuva para os processos econômicos e sociais seja enorme, ela também pode trazer prejuízos
para a atividade econômica, inviabilizar operações logísticas, retardar o comércio, dentre outras.
A chuva (ou precipitação) é um evento comum em zonas tropicais e
subtropicais que favorece particularmente a agricultura, porém sua previsão a curto prazo é
genérica e imprecisa (​RAMPINELLI, 2016)​. Por outro lado, a chuva como um processo
estocástico pode representar um problema em termos operacionais para a própria agricultura e
muitos outros setores da economia. No caso da cultura da soja para silagem, por exemplo, se a
soja estiver úmida demais pode gerar um custo extra para a secagem antes do armazenamento em
silos (FREITAS, 2016) É problema também na construção civil, por ser impossível trabalhar a
céu aberto; na logística de produtos hidrofóbicos (ex.: farinhas), dentre outros (FREITAS, 2016).
Hoje no Brasil o modelo de previsão do clima de mesoescala WRF
(CPTEC/INPE, 2018), não é eficiente e preciso o suficiente para prever a chuva com resolução
em prazos curtos, prevendo somente o volume para um período longo (mensal) ​(INMET, 2018)​.
Isso se dá pois o órgão responsável pela elaboração dos modelos climáticos e sua previsão conta
somente com pouco mais de 500 estações automáticas terrestres de mesoescala (INMET, 2011),
ou uma para cada 16.000 quilômetros quadrados em média. Para efeito de comparação, os EUA
tem aproximadamente 1 milhão de quilômetros quadrados a mais, porém contam com uma rede
de Estações Automáticas de mais de 38.000 estações (​mesonet)​ ​(NOAA, 2018)​, uma para cada
288 quilômetros quadrados.
Nos últimos anos temos acompanhado uma evolução significativa no hardware
computacional, popularizando os diversos tipos de dispositivos que podem conter sistemas
embarcados, isso também também possibilitou que pequenas estações meteorológicas
particulares fossem disponibilizadas no mercado ​(RURALBAN, 2018)​, tornando o indivíduo
capaz de medir o tempo e armazenar um histórico desde a instalação da mesma. Existem hoje
plataformas digitais configuráveis como o ​Arduino e​ o ​NodeMCU​, produzidas para as mais
diversas aplicações, que são capazes de colher os dados dos sensores, armazená-los e executar
algoritmos complexos em tempo real.
 2

O evento chuva pode ser previsto através de probabilidade (BERROCAL et al.,

2008)(​HAMILL, 2017​), porém existe uma restrição a quais modelos e algoritmos podem ser
executados de forma eficiente, tanto em plataformas digitais móveis quanto em computadores
pessoais. Alguns modelos, como redes neurais, exigem treino e iterações que são particularmente
custosas do ponto de vista computacional e crescem exponencialmente em função do número de
variáveis, tornando a operacionalização do modelo impossível(​VANHOUCKE, 2011)
A lógica ​Fuzzy ​tem a capacidade de lidar com as imprecisões e relações de
diversas variáveis de entrada e computá-las em variáveis de saída, através de funções de
pertinência, podendo ser executadas com facilidade em computadores pessoais e sistemas
embarcados ​(ALVES, 2018)​.
O presente projeto busca a criação de um sistema utilizando a lógica ​Fuzzy ​para
a previsão do evento chuva autonomamente em um curto período de tempo.

2 - Problema de Pesquisa
De que forma a Lógica ​Fuzzy ​contribui para a análise de dados climáticos
históricos para o desenvolvimento de um sistema de previsão de chuva?

3 - Hipóteses
● É possível analisar o histórico climático local com médias, desvios e
quartis e a partir deles criar um sistema de inferência ​fuzzy ​dinâmico com
uma precisão mais alta que os modelos oficiais utilizados pelos órgãos de
previsão climática
● É possível criar um sistema de inferência ​fuzzy e​ stático sem análise do
histórico climático com precisão mais alta que os modelos oficiais
utilizados órgãos de previsão climática
● É possível criar um sistema de inferência ​fuzzy q​ ue prevê a intensidade da
chuva com precisão mais alta que os modelos oficiais utilizados órgãos de
previsão climática

4 - Objetivos

A partir das questões expostas, apresento o objetivo geral e os objetivos

específicos que busco alcançar:
 3

4.1 - Objetivo Geral

Criar um sistema (algoritmo) baseado em lógica ​Fuzzy ​capaz de prever eventos
de Chuva através de variáveis de entrada adquiridas localmente, com uma precisão operacional
em dias.
4.2. - Objetivos Específicos
● Analisar o histórico de estações automáticas públicas e criar um modelo
estatístico simples (médias, quartis, desvios, distribuições e etc) para criar
um sistema ​Fuzzy d​ inâmico (Funções de pertinência, regras e pesos) e,
através dele, prever a probabilidade de chuva.
● Verificar a eficácia do sistema em outras estações públicas e estações
privadas, não conectadas à rede do InMET/INPE/CPTEC
● Identificar e analisar a viabilidade de execução do sistema em plataformas
digitais autônomas

5. Metodologia

A fim de atingir os objetivos descritos acima, será feito um levantamento

bibliográfico (FACHIN, 2017) a fim de fundamentar teoricamente o trabalho.

Através da lei de acesso a informação (BRASIL, 2011) para levantamento

dos dados de diferentes estações automáticas do InMET/INPE/CPTEC (em diferentes regiões
e latitudes) para uma análise primária das variáveis e estabelecer suas correlações. Após a
aquisição dos dados e análise estatística primária, serão criados modelos fuzzy para uma
tentativa de previsão, com análise do resultado de cada modelo em diferentes cenários
geográficos. Nesta fase será criado uma função de adequação (através de tabela de confusão)
que evidenciará a qualidade do modelo proposto através dos conjuntos de dados.

Caso os modelos sejam bem sucedidos, o mais bem ajustado será convertido
em diversas linguagens de programação (como C para Arduino e Lua para NodeMCU), e
instalados nas respectivas plataformas para um teste de campo.

Dessa forma, poderemos calcular a precisão do modelo escolhido em dados

climáticos reais e novos, que não foram incluídos na criação do modelo.
 4

Cronograma do Projeto de Pesquisa de Mestrado

A PROPOSIÇÃO DE UM SISTEMA PARA PREVISÃO AUTÔNOMA DE CHUVA DE CURTO

PERÍODO (UM DIA) BASEADO EM LÓGICA ​FUZZY

Período Ano: 2019 Ano: 2020

Atividades 1º Trim 2º Trim 3º Trim 4º Trim 1º Trim 2º Trim 3º Trim 4º Trim
Disciplinas do
Mestrado
Pesquisa
Bibliográfica
Descrição e
Análise da
Bibliografia
Construção das
Técnicas de
Pesquisa
Coleta de Dados -
Construção do
BD
Descrição e
Organização do
Material da
Pesquisa
Análise do
Material da
Pesquisa

Conclusões

Redação Final da
Dissertação
 5

REFERÊNCIAS BIBLIOGRÁFICAS

ALVES, Aj. ​EFLL (Embedded Fuzzy Logic Library) is a standard library for Embedded Systems.
Disponível em: <https://github.com/zerokol/eFLL>. Acesso em: 20 set. 2018.

BERROCAL, Veronica J., Rafter, Adriane, Tilmann, Gneiting, 2008.​ Probabilistic quantitative precipitation
field forecasting using a two-stage​. The Annals of Applied Statistics 2 (4), 1170?1193.

BRASIL. Lei 12.527, de 18 de novembro de 2011. Regula o acesso a informações previsto no inciso XXXIII do
art. 5º, no inciso II do § 3º do art. 37 e no § 2º do art. 216 da Constituição Federal; e dispositivos da Lei nº 8.159,
de 8 de janeiro de 1991; e dá outras providências. Disponível em: . Acesso em: 22 set. 2018

CPTEC/INPE Nota da Coordenação-Geral do CPTEC/INPE sobre a implementação operacional do modelo

regional operacional do CPTEC - modelo regional WRF. 2018

FACHIN, Odília. ​Fundamentos de metodologia​. Saraiva Educação SA, 2017.

FREITAS, Gabriela Dutra de. ​Análise dos custos de atrasos portuários devidos a intempéries na logística de
exportação de soja e farelo de soja: estudo de caso de uma empresa no porto de Paranaguá​. 2016. Trabalho
de Conclusão de Curso. Universidade Tecnológica Federal do Paraná.

HAMILL, Thomas M.; SCHEUERER, Michael. Development of a post-processing methodology for reliable,
skillful probabilistic quantitative precipitation forecasts with multi-model ensembles and short training data sets.
In: ​EGU General Assembly Conference Abstracts​. 2017. p. 3739.

IBGE. ​IBGE apresenta nova área territorial brasileira: 8.515.767,049 km². ​2012. Disponível em:
<https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/releases/14318-asi-ib
ge-apresenta-nova-area-territorial-brasileira-8515767049-km>. Acesso em: 20 set. 2018.

INMET, ​NOTA TÉCNICA No. 001/2011​/SEGER/LAIME/CSC/INMET

INMET. ​Previsão Sazonal do INMET. ​2018. Disponível em:

<http://www.inmet.gov.br/portal/index.php?r=clima/prev_estocastica>. Acesso em: 20 set. 2018.

NOAA. ​MADIS Meteorological Surface Integrated Mesonet Data Providers. ​2018. Disponível em:
<https://madis.ncep.noaa.gov/mesonet_providers.html>. Acesso em: 20 set. 2018.

RAMPINELLI, Giuliano Arns; SILVA, M. P.; MARCELINO, Roderval. Instalação e monitoramento de uma
estação meteorológica de superfície automática em uma planta piloto bioclimática. ​Huancayo–Peru, XXIII
SPES-XXIII Simpósio Peruano de Energía Solar y Del Ambiente, Huancayo​, 2016.

RURALBAN (Sumidouro/rj). ​ESTAÇÃO METEOROLÓGICA COMPLETA COM DISPLAY

TOUCH-SCREEN. ​Disponível em:
<https://www.ruralban.com/pesos-e-medidas/outros/estacao-metereologica-completa-com-display-touch-screen>
. Acesso em: 20 set. 2018.

SOMIA A. Asklany, KHALED Elhelow, I.K. YOUSSEF, M. Abd El-wahab, Rainfall events prediction using
rule-based fuzzy inference system, Atmospheric Research, Volume 101, Issues 1?2, 2011, Pages 228-236,

VANHOUCKE, Vincent; SENIOR, Andrew; MAO, Mark Z. Improving the speed of neural networks on CPUs.
In: ​Proc. Deep Learning and Unsupervised Feature Learning NIPS Workshop​. 2011. p. 4.