Previsão Antecipada de Dias com Chuva Forte em Parauapebas-PA utilizando XGBoost com Otimização Bayesiana

• Angello Gabriel Alves Gonçalves UFPA

DOI: https://doi.org/10.5753/erad-eramia-no2.2025.16967

Resumo

As chuvas intensas ameaçam a segurança pública e as operações de mineração em Parauapebas, Pará (Amazônia Oriental). Propomos um pipeline compacto que utiliza otimização Bayesiana e XGBoost para prever dias com precipitação superior a 20 mm. O modelo busca maximizar o F1 da classe positiva sob desequilíbrio de classes, utilizando dados diários do CHIRPS e ERA5 (1981–2023). A validação temporal reflete o uso real e evita vazamentos de dados. O classificador alcançou AUC-ROC de 0,927 e AUC-PR de 0,488 em teste temporal (20%), mostrando potencial de aplicação em sistemas de alerta precoce de baixo custo.

Referências

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proc. 22nd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining, pages 785–794.

Davis, J. and Goadrich, M. (2006). The relationship between precision-recall and roc curves. In Proc. 23rd Int. Conf. on Machine Learning, pages 233–240.

Funk, C. e. a. (2015). The climate hazards infrared precipitation with stations (chirps). Scientific Data, 2:150066.

Hersbach, H. e. a. (2020). The era5 global reanalysis. Q. J. R. Meteorol. Soc., 146:1999–2049.

Oliveira, E. C. L. e. a. (2023). Precipitation forecasting: From geophysical aspects to machine learning applications. Frontiers in Climate, 5.

Snoek, J., Larochelle, H., and Adams, R. P. (2012). Practical bayesian optimization of machine learning algorithms. In Advances in Neural Information Processing Systems, volume 25.

Wani, O. A. e. a. (2024). Predicting rainfall using machine learning, deep learning, and time series models across an altitudinal gradient in the north-western himalayas. Scientific Reports, 14.