| 1. Identificação | ||||
| Tipo de Referência | Artigo em Revista Científica (Journal Article) | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Site | mtc-m12e.sid.inpe.br (namespace prefix: upn:4CUH36S) | |||
| Identificador | 8JMKD2USNRW34T/4FKUQDP | |||
| Repositório | sid.inpe.br/mtc-m12e/2026/05.07.17.23 (acesso restrito) | |||
| Última Atualização | 2026:05.07.17.23.25 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m12e/2026/05.07.17.23.25 | |||
| Última Atualização dos Metadados | 2026:05.09.05.30.53 (UTC) administrator | |||
| Chave Secundária | INPE--PRE/ | |||
| DOI | 10.3390/meteorology5020012 | |||
| ISSN | 2674-0494 | |||
| Chave de Citação | GomesAnocShim:2026:UsArIn | |||
| Título | Use of Artificial Intelligence for Spatial Seasonal Precipitation Forecasting in Minas Gerais, Brazil  | |||
| Ano | 2026 | |||
| Data de Acesso | 24 out. 2026 | |||
| Tipo de Trabalho | journal article | |||
| Tipo Secundário | PRE PI | |||
| Número de Arquivos | 1 | |||
| Tamanho | 13086 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Gomes, Matheus José 2 Anochi, Juliana Aparecida 3 Shimizu, Marilia Harumi | |||
| ORCID | 1 0009-0008-9760-7891 2 0000-0003-0769-9750 3 0000-0003-0895-555X | |||
| Grupo | 1 2 COPDT-CGIP-INPE-MCTI-GOV-BR 3 DIMNT-CGCT-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 Universidade Federal de Itajubá (UNIFEI) 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Instituto Nacional de Pesquisas Espaciais (INPE) | |||
| Endereço de e-Mail do Autor | 1 matheusjosegomes1@gmail.com 2 juliana.anochi@inpe.br 3 marilia.shimizu@gmail.com | |||
| Revista | Meteorology | |||
| Volume | 5 | |||
| Número | 2 | |||
| Páginas | e12 | |||
| Acervo Hospedeiro | urlib.net/www/2025/02.16.04.07 upn:4CUH36S | |||
| Histórico (UTC) | 2026-05-07 17:25:47 :: simone -> administrator :: 2026 2026-05-09 05:30:53 :: administrator -> simone :: 2026 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Tipo do Conteúdo | External Contribution | |||
| Tipo de Versão | publisher | |||
| Palavras-Chave | artificial intelligence neural network seasonal prediction precipitation | |||
| Resumo | Seasonal precipitation forecasting remains challenging in regions with complex topography and high climatic variability, such as the state of Minas Gerais, Brazil. This study evaluates the performance of an Artificial Intelligence (AI)-based ensemble approach for seasonal precipitation prediction. The AI-based predictions are compared against outputs from multiple dynamical models, including those from the North American Multi-Model Ensemble (NMME) and the Copernicus Climate Data Store (CDS). The AI model was trained using high-resolution precipitation data from the Center for Weather Forecast and Climate Studies (CPTEC) dataset MERGE-CPTEC and subsequently applied to generate regional-scale seasonal forecasts. Model performance was assessed using Root Mean Square Error (RMSE), Mean Squared Error (MSE), and Pearson Correlation (r). The results indicate that the AI-based forecasts achieve competitive performance relative to dynamical models across all seasons, exhibiting lower error metrics and improved representation of spatial precipitation patterns. The highest forecast skill was observed during winter (June-July-August, JJA), when atmospheric conditions are more stable, and precipitation variability is low. During the wet seasons (December-January-February, DJF and September-October-November, SON), despite increased convective activity and spatial heterogeneity, the AI model maintained greater spatial coherence and closer agreement with observations than the dynamical forecasts. Overall, the findings demonstrate that AI-based approaches represent a promising and computationally efficient complementary tool for regional-scale seasonal precipitation forecasting, particularly in climatically heterogeneous regions. | |||
| Área | COMP | |||
| Arranjo 1 | urlib.net > CGCT > Use of Artificial... | |||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Use of Artificial... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| Idioma | en | |||
| Arquivo Alvo | meteorology-05-00012.pdf | |||
| Grupo de Usuários | simone | |||
| Grupo de Leitores | administrator simone | |||
| Visibilidade | shown | |||
| Permissão de Leitura | deny from all and allow from 150.163 | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Repositório Espelho | urlib.net/www/2025/02.16.04.07.51 | |||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUATE 8JMKD3MGPCW/46KUES5 | |||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2022/04.03.22.23 - 43 sid.inpe.br/bibdigital/2022/04.03.23.11 - 17 | |||
| Divulgação | PORTALCAPES; SCOPUS. | |||
| 6. Notas | ||||
| Campos Vazios | alternatejournal archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark month nextedition notes parameterlist parentrepositories previousedition previouslowerunit progress project resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url | |||
| 7. Controle da descrição | ||||
| e-Mail (login) | simone | |||
| atualizar | ||||