Year: 2024
Type: dissertation
Abstract: A previsão do impacto das alterações climáticas é um dos maiores desafios científicos do século XXI. O aumento da frequência e intensidade de eventos extremos indica que devemos reforçar e promover medidas de adaptabilidade e resiliência nas nossas sociedades. As situações extremas relacionadas com a água, nomeadamente secas e inundações, são responsáveis por grande parte dos desastres naturais em todo o mundo. Assim, o desenvolvimento de metodologias que antecipem esses cenários permitem gerar conhecimento que ajudará a mitigar os seus efeitos. Neste contexto, as ferramentas de modelação numérica são amplamente utilizadas e capazes de alcançar resultados confiáveis na previsão de eventos extremos. No entanto, quando são necessários sistemas de previsão operacionais, surgem barreiras que impedem a aplicação de modelos numéricos, nomeadamente capacidade de processamento computacional e armazenamento. Estas limitações são críticas, especialmente quando são necessários modelos de elevadas resoluções espaciais e temporais. Nesta tese definiram-se e aplicaram-se algoritmos de inteligência artificial para reduzir os custos computacionais de previsões hidro-morfodinâmicas, desenvolvendo duas abordagens de aprendizagem supervisionada: emuladores e modelos de dados. Os emuladores usam resultados de modelos numéricos como dados de entrada e saída, enquanto os modelos de dados processam diretamente dados de campo. O primeiro método foi utilizado para emular a evolução morfológica de um estuário e uma praia, considerando, respetivamente, eventos de longo e curto prazo. O segundo método foi utilizado para forçar a fronteira fluvial de um modelo numérico estuarino, melhorando a sua capacidade de previsão e operacionalização, e também para criar um modelo de dados de evolução de perfis de praia. Os resultados obtidos demonstram a capacidade e versatilidade dos modelos de inteligência artificial aplicados em diferentes situações com interesse para a implementação de plataformas de previsão. Na presença de séries de dados que alimentaram os modelos com qualidade e resolução adequadas foi possível realizar previsões com erros aceitáveis. Foi possível prever variáveis 1D, como caudais fluviais ou elevações de perfis de praia, e variáveis 2DH, como a erosão e sedimentação em estuários. Os resultados promissores obtidos, permitem antecipar que os modelos de dados poderão ser utilizados em complemento e alternativa aos modelos determinísticos de maior exigência computacional nos sistemas de previsão, podendo ainda contribuir para uma eficaz quantificação das respetivas incertezas.
Author: Melo, Willian Weber
Institution: University of Minho
Language: Portuguese
Subfield: Environmental Engineering
Field: Environmental Science
Domain: Physical Sciences
Keywords: artificial intelligence, machine learning emulators, data-driven modeling, hydro-morphodynamic modelling, coastal morphodynamics, beach morphological evolution, drought forecasting, flood forecasting, hydrological extremes, computational complexity reduction, field data processing, climate change adaptation, natural disaster mitigation
Open Access status: green
OpenAlex ID: W7084261359
