Diversidade de Dados Meteorológicos da Cidade do Rio de Janeiro: Uma Proposta de Arquitetura de Armazenamento e Fluxo de Dados para Modelos de Previsão

• Bruno L. Freitas Universidade Federal Fluminense (UFF)
• Augusto J. M. da Fonseca Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Eduardo Bezerra Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
• Flávia C. Bernardini Universidade Federal Fluminense (UFF)
• Mariza Ferro Universidade Federal Fluminense (UFF)

DOI: https://doi.org/10.5753/sbbd_estendido.2023.235307

Resumo

A precipitação nowcasting é um componente essencial dos sistemas de alerta precoce e das ações consecutivas no âmbito da gestão de crises para eventos climáticos extremos em áreas urbanas. Este artigo apresenta os trabalhos em andamento para a coleta, descrição de atributos, preparação e uso de múltiplas observações meteorológicas como fontes de dados disponíveis para a cidade do Rio de Janeiro. O desafio é reunir diferentes fontes, disponíveis abertamente ou sob restrições de acordos de cooperação, de diferentes portais e sites, sob a responsabilidade de diferentes proprietários em diferentes esferas (municipal, estadual e federal), com o objetivo de desenvolver um data lake que reúna todos e possa ser usado para o desenvolvimento de modelos de previsão.

Palavras-chave: clima extremo, data lake

Referências

Ferro, M., Bezerra, E., Ogasawara, E., Moraes, N., and Porto, F. (2022). Towards a definition for extreme weather events in rio de janeiro city. In Anais Estendidos do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 181–186. SBC.

Jitkajornwanich, K., Pant, N., Fouladgar, M., and Elmasri, R. (2020). A survey on spatial, temporal, and spatio-temporal database research and an original example of relevant applications using sql ecosystem and deep learning. Journal of Information and Telecommunication, 4(4):524–559.

Marzban, C. and Sandgathe, S. (2006). Cluster analysis for verification of precipitation fields. Weather and Forecasting, 21(5):824–838.

Salles Civitarese, D., Szwarcman, D., Zadrozny, B., and Watson, C. (2021). Extreme precipitation seasonal forecast using a transformer neural network. arXiv e-prints, pages arXiv–2107.

Stocker, T. F., Qin, D., Plattner, G.-K., Tignor, M. M., Allen, S. K., Boschung, J., Nauels, A., Xia, Y., Bex, V., and Midgley, P. M. (2014). Climate change 2013: The physical science basis. contribution of working group i to the fifth assessment report of ipcc the intergovernmental panel on climate change.

Wanderley, H. and Bunhak, A. (2016). Alteration in precipitation and number of days without rain in the southern region of rio de janeiro state. rev brasil geog físic. 9. 7. 2341–2353.