META TOOL BOX — Plataforma de Otimização e Metaheurísticas
Plataforma computacional com registro de software dedicada a algoritmos de otimização e metaheurísticas (PSO, GA, SA, ACO). Desenvolvida desde 2016, conta com módulos para problemas combinatórios, logística, portfólios financeiros e cadeias agroindustriais. Integra aprendizado de máquina com métodos exatos (Learning to Optimize).
Weather Brasil
Plataforma de curadoria, visualização e análise de dados climáticos brasileiros, integrando séries do INMET, mapas interativos e indicadores de risco climático. Premiada no Troféu Seriema 2025 (2º lugar — Inovação) e aceita para apresentação no WCERE 2026, em Lisboa, Portugal.
Desenvolvimento de Métodos de Aprendizado de Máquina para Completamento de Dados Climáticos
Este trabalho propõe o desenvolvimento e avaliação de métodos para completamento de dados climáticos ausentes utilizando técnicas de aprendizado de máquina e inteligência artificial. A pesquisa aborda os desafios relacionados à qualidade e disponibilidade de dados meteorológicos provenientes de diferentes fontes, como INMET, CPTEC e NOAA, considerando problemas como dados faltantes, outliers e diferenças de padronização. O estudo busca integrar métodos estatísticos, regressão linear múltipla, redes neurais artificiais e algoritmos de machine learning para melhorar a precisão e robustez do preenchimento de lacunas em séries temporais climáticas. Também é proposta a evolução de uma API já existente para coleta e disponibilização de dados climáticos brasileiros em tempo real, incorporando tratamento automatizado de dados, análise de variáveis climáticas e geração de gráficos e análises. O trabalho explora métricas de avaliação como RMSE, MAE, MAPE e coeficiente de correlação, além de investigar o impacto do completamento de dados na previsão meteorológica e em análises climáticas.
Modelos Híbridos IA-Física para Predição de Seca no Cerrado
Dissertação de mestrado que desenvolve e valida modelos híbridos combinando física atmosférica e aprendizado profundo (Transformers, LSTM) para predição de eventos de seca no Cerrado brasileiro. Utiliza dados ERA5-Land, INMET e pipeline de data healing desenvolvido no LEMM.
Curadoria e Imputação de Dados Meteorológicos do Centro-Oeste
Trabalho de Conclusão de Curso focado na construção de um dataset curado e imputado de variáveis meteorológicas (temperatura, precipitação, umidade) para o Centro-Oeste brasileiro, utilizando dados do INMET e técnicas de machine learning para preenchimento de falhas.
Gêmeo Digital para Agricultura de Precisão
Desenvolvimento de arquitetura híbrida voltada à tomada de decisão distribuída e adaptativa na agricultura de precisão, integrando fog computing, visão computacional e gêmeos digitais. Articula dados ambientais e sensoriamento remoto para apoio à decisão em campo.
Otimização Logística em Cadeias Agroindustriais do Centro-Oeste
Pesquisa em modelagem matemática e metaheurísticas aplicadas a problemas de roteamento e logística em cadeias de soja e carne bovina no Centro-Oeste. Incorpora variáveis de risco climático e sustentabilidade na função objetivo.
Modelagem de Ondas de Calor Urbanas no Centro-Oeste
Estudo sobre identificação, modelagem e impacto de ondas de calor em centros urbanos goianos, com análise de perfis tipológicos, ilhas de calor e séries de temperatura. Articula dados do INMET com modelagem em WRF e aprendizado de máquina.
Arquiteturas Transformer para Predição de Precipitação no Cerrado
Investigação de arquiteturas Transformer e mecanismos de atenção aplicados à predição de precipitação no Cerrado Goiano. Compara múltiplos modelos de baseline, utiliza dados ERA5 e INMET e integra técnicas de HPC. Resultados submetidos ao COMPSAC 2026.
Fog Computing para Tomada de Decisão em Cadeias Agroindustriais
Estudo de arquiteturas fog computing voltadas à tomada de decisão distribuída em cadeias agroindustriais do Centro-Oeste. Segunda iniciação científica do aluno, com avanços importantes e artigo em redação para envio ao ENIAC 2026 (BRACIS 2026).
Transformer-Based Climate Data Imputation for Economic Risk Assessment and Climate Data Sovereignty in Brazil
This study presents the development and evaluation of a Transformer-based framework for imputing missing climate data in Brazil using deep learning and climate reanalysis datasets. The research addresses the economic and scientific impacts of incomplete meteorological records on climate modeling, risk assessment, agricultural planning, and public policy. The proposed architecture combines ERA5 reanalysis data with observational records from the Brazilian INMET station network to reconstruct missing climate variables while preserving physical consistency and spatial coherence. The study evaluates Dense Neural Networks, regression methods, and Transformer-inspired models such as Pangu-Lite for reconstructing atmospheric fields and operational station-level imputation. The framework is integrated into a prototype national-scale climate intelligence infrastructure designed to standardize, harmonize, and distribute high-fidelity meteorological datasets through APIs and monitoring tools. Results demonstrate that neural network approaches outperform traditional interpolation methods in reconstructing variables such as temperature, humidity, pressure, precipitation, and solar radiation. The work highlights the importance of reliable climate datasets for economic forecasting, climate governance, agricultural insurance, adaptation planning, and climate risk management in Brazil.
Estudo de Eventos Extremos do Clima no Cerrado
Investigação de eventos extremos do clima no Cerrado Goiano, integrado ao projeto "Tecnologias Disruptivas..." e à plataforma Weather Brasil. Inclui estudos de modelagem atmosférica com suporte de HPC. Acompanhado pelo mestrando Norton Ricardo Pereira e pelo Prof. Dr. Roussian Di Amaro Alves Gaioso.
Modelagem Climática com HPC e WRF no Cerrado
Estudo de modelagem climática utilizando computação de alto desempenho (HPC) e o modelo WRF, articulado ao projeto "Tecnologias Disruptivas..." e à rede INPE–PUC Goiás. Acompanhado pelo mestrando do INPE Salatiel A. A. Jordão e pelo Dr. Reinaldo Rosa.
IA e Metaheurísticas Aplicadas ao Mercado Financeiro
Pesquisa em inteligência artificial e trading aplicados ao mercado financeiro, em continuidade à linha do grupo desde 2020, com publicações em congressos nacionais, capítulo de livro Springer e revista Production. Alto potencial de gerar produto em trading com IA.
LSTM e Metaheurísticas com Rastreabilidade e Sustentabilidade Financeira
Pesquisa em mercado financeiro com uso de LSTM e metaheurísticas, incorporando variáveis de rastreabilidade e sustentabilidade diretamente na função objetivo. Articulado com artigo científico em desenvolvimento pelo egresso Danilo Milhomem.
Predição de Eventos Climáticos Extremos no Cerrado
Estudo de eventos climáticos extremos com potencial de aplicação no Cerrado, com grande potencial de publicação. Articulado com frentes de modelagem climática e agronomia do laboratório.
Infraestruturas Verdes e Smart Cities para Redução Térmica Urbana
Determinação de localizações ideais para implementação de infraestruturas verdes e soluções de Smart Cities, maximizando a redução térmica em centros urbanos. Articulado com estudos de ondas de calor e clima urbano do laboratório, com colaboração do Prof. Dr. Antônio Zamuner (UFCAT) e Prof. Dr. Roussian Di Amaro Alves Gaioso.
Ampliação da Cobertura Meteorológica no Cerrado Goiano
Pesquisa voltada à ampliação da cobertura de dados meteorológicos de temperatura e precipitação no Cerrado Goiano, com desenvolvimento de estações meteorológicas virtuais. Articulada com estudos do pós-doutoramento no INPE (supervisor Dr. Reinaldo Rosa) e com HPC pelo Prof. Dr. Roussian Di Amaro Alves Gaioso.
Predição de Incêndios no Cerrado com Variáveis Climáticas
Incorporação de variáveis climáticas (temperatura, umidade, vento e precipitação) a modelos de predição de incêndios no bioma Cerrado, em articulação com o projeto SEM FOGO da UnB (Profa. Priscilla Solis). Utilizará dataset curado do Centro-Oeste produzido no TCC de Davi Aquila.
Estimativa de Risco Aeronáutico a partir de Variáveis Meteorológicas
Pesquisa com objetivo de estimar o risco de ocorrência aeronáutica a partir de variáveis meteorológicas observadas. A inclusão de variáveis climáticas (temperatura, umidade, vento e precipitação) é elemento inovador ao modelo de predição, com grande potencial de publicação.