Previsão de secas com base em satélites utilizando aprendizado de máquina e profundo

Abstract

Antecipar períodos de seca segue como um dos principais entraves da gestão de riscos climáticos, especialmente diante do aumento observado na frequência e na intensidade de eventos extremos. Neste trabalho, avaliamos técnicas de Aprendizado de Máquina e de Aprendizado Profundo para prever o Índice Padronizado de Precipitação (SPI) a partir de séries de precipitação estimadas por satélite. Foram testados os modelos Random Forest, XGBoost e a arquitetura ConvLSTM3D, aplicados em um plano experimental controlado que variou, de forma sistemática, as janelas temporais de entrada e os horizontes de previsão em duas regiões brasileiras. A avaliação de desempenho adotou exclusivamente o Índice de Willmott (WI), uma métrica de amplitude limitada e interpretação direta, usada para quantificar a concordância entre previsões e observações. Os resultados mostram queda de acurácia conforme o horizonte de previsão se alonga. Ainda assim, os modelos preservaram bom poder preditivo em prazos curtos e médios. Janelas de entrada intermediárias favoreceram o desempenho por capturarem persistência e sazonalidade, enquanto janelas muito extensas agregaram pouco ganho adicional. A ConvLSTM3D apresentou estabilidade em um espectro mais amplo de combinações e gerou mapas espaciais mais contínuos. Para horizontes curtos, a ConvLSTM3D obteve WI de 0,937 em sua melhor configuração, superando o Random Forest (0,836) e o XGBoost (0,914). Em horizontes médios e longos, o desempenho manteve padrão semelhante, mas caiu quando a janela de entrada ficou muito maior que o horizonte previsto. Nessa condição, a melhor configuração alcançou WI de 0,959, ao passo que Random Forest e XGBoost registraram 0,734 e 0,897, respectivamente.

Anticipating periods of drought remains one of the main obstacles in climate risk management, especially given the observed increase in the frequency and intensity of extreme events. In this work, we evaluate Machine Learning and Deep Learning techniques to predict the Standardized Precipitation Index (SPI) from satellite-estimated precipitation series. The Random Forest, XGBoost, and ConvLSTM3D architecture models were tested, applied in a controlled experimental design that systematically varied input time windows and forecast horizons in two Brazilian regions. Performance assessment relied exclusively on the Willmott Index (WI), a bounded and straightforward metric used to quantify agreement between predictions and observations. The results show a decline in accuracy as the forecast horizon lengthens. Even so, the models retained good predictive power at short and medium time scales. Intermediate input windows favored performance by capturing persistence and seasonality, whereas very long windows added little additional gain. ConvLSTM3D showed stability across a broader spectrum of combinations and produced more continuous spatial maps. For short horizons, ConvLSTM3D achieved a WI of 0.937 in its best configuration, surpassing Random Forest (0.836) and XGBoost (0.914). For medium and long horizons, performance followed a similar pattern but declined when the input window became much larger than the forecast horizon. Under this condition, the best configuration reached a WI of 0.959, whereas Random Forest and XGBoost recorded 0.734 and 0.897, respectively.