Modelagem geoestatística de extremos de precipitação : comparação entre o estimador de máxima verossimilhança e redes neurais de grafo

Abstract

A predição de variáveis climáticas enfrenta desafios devido à complexidade e nãoestacionariedade dos fenômenos atmosféricos, limitações que frequentemente desafiam a geoestatística clássica. Este trabalho investiga o desempenho da NN-GLS, uma arquitetura híbrida que une a flexibilidade das redes neurais para modelar tendências não-lineares à estrutura de correlação espacial. O objetivo principal foi avaliar sua capacidade preditiva em comparação ao método do estimador de máxima verossimilhança (EMV). A metodologia utilizou dados meteorológicos reais e simulações de Monte Carlo. Os resultados indicaram que, em cenários estacionários e simples, o método EMV permanece superior e mais estável. A NN-GLS apresentou tendência de subestimar o erro aleatório dos dados. No entanto, a rede apresentou melhora nos resultados conforme a não linearidade das simulações aumenta.

The prediction of climatic variables faces challenges due to the complexity and nonstationarity of atmospheric phenomena, limitations that often defy classical geostatistics. This work investigates the performance of NN-GLS, a hybrid architecture that combines the flexibility of neural networks for modeling non-linear trends with spatial correlation structures. The main objective was to evaluate its predictive capacity compared to the Maximum Likelihood Estimator (MLE) method. The methodology employed real meteorological data and Monte Carlo simulations. The results indicated that, in simple and stationary scenarios, the MLE method remains superior and more stable. The NN-GLS showed a tendency to underestimate the random error of the data. However, the network demonstrated improved results as the non-linearity of the simulations increased.