Banca de QUALIFICAÇÃO: ALEJANDRA BUSTILLOS VEGA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALEJANDRA BUSTILLOS VEGA
DATA: 26/01/2026
HORA: 14:00
LOCAL: Google Meet
TÍTULO:

Machine Learning–Based Reconstruction and Modeling of Rainfall and Effective Precipitation in Seasonal Forest Ecosystems

PALAVRAS-CHAVES:

Rainfall reconstruction, Machine Learning, ERA-5 reanalysis. Isolation Forest, Multi-objective optimization.

PÁGINAS: 120
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
SUBÁREA: Engenharia de Água e Solo
ESPECIALIDADE: Conservação de Solo e Água
RESUMO:

Este trabalho desenvolve um Marco Metodológico Integrado baseado em Machine Learning (ML) para a reconstrução, modelagem e transformação da precipitação em ecossistemas florestais sazonais, abordando de forma conjunta a disponibilidade de dados, a variabilidade hidrológica e os processos eco-hidrológicos fundamentais que controlam a chegada da água ao solo. Em primeiro lugar, é proposta uma metodologia robusta para a reconstrução de séries contínuas de precipitação horária e diária com redes de monitoramento incompletas. A abordagem combina controle automático de qualidade por meio de detecção não supervisionada de anomalias, correção de vieses de produtos satelitais e de reanálise, e identificação ótima de modelos com base em critérios multiobjetivos que equilibram precisão estatística e consistência hidrológica. Os resultados mostram que os modelos de Machine Learning, quando treinados com dados depurados, superam amplamente os métodos estatísticos tradicionais e preservam a variabilidade convectiva essencial para aplicações hidrológicas em ecossistemas tropicais.

O trabalho avança na modelagem da precipitação efetiva, incorporando explicitamente o processo de interceptação pela copa florestal. Por meio de ensembles de Machine Learning e de um conjunto de preditores hidrologicamente interpretáveis (magnitude do evento, umidade antecedente, sazonalidade e heterogeneidade espacial), demonstra-se que a interceptação apresenta forte variabilidade espaço-temporal, que não pode ser representada adequadamente por coeficientes constantes. Os modelos capturam relações não lineares entre chuva, estrutura do dossel e memória hidrológica, permitindo estimativas mais realistas da fração de precipitação que atinge o solo.

De forma integrada, o trabalho evidencia que a reconstrução da precipitação e sua transformação em precipitação efetiva são processos inseparáveis na eco-hidrologia de florestas sazonais. O uso de Machine Learning, inserido em marcos metodológicos fisicamente informados e rigorosamente validados, melhora a representação dos principais processos hidrológicos e fornece ferramentas reprodutíveis para a análise do ciclo hidrológico, a modelagem eco-hidrológica e a gestão da água em ecossistemas florestais tropicais.

 

MEMBROS DA BANCA:
Externo à Instituição - SAMUEL BESKOW - UFPel (Membro)
Interno - MICHAEL SILVEIRA THEBALDI (Suplente)
Externo à Instituição - JOSÉ ALVES JUNQUEIRA JÚNIOR - IFMG (Suplente)
Interno - GILBERTO COELHO (Membro)
Presidente - CARLOS ROGERIO DE MELLO (Membro)
Interno - ANDRÉ FERREIRA RODRIGUES - UFMG (Membro)