Este projeto tem por objetivo desenvolver novos métodos computacionais para auxiliar na detecção de padrões e descoberta de conhecimento, a fim de aprimorar o monitoramento agrometeorológico brasileiro. Mais especificamente, pretende desenvolver técnicas de detecção de anomalias e eventos extremos em séries temporais climáticas, a partir das mudanças de comportamento espaço-temporais. Pretende-se, ainda, propor técnicas para classificação de séries temporais extraídas de imagens de satélite, visando ao acompanhamento de culturas agrícolas ao longo do tempo. O volume crescente de informações provenientes das simulações dos diversos modelos climáticos globais, da ordem de terabytes, torna sua análise complexa e cada vez mais dependente de técnicas computacionais. Além disso, a associação desses dados aos de estações meteorológicas e de sensores remotos aumenta o grau de complexidade das análises. Nesse contexto, a adoção de técnicas de mineração de dados, tais como associação e agrupamento, tornam-se fundamentais para permitir a extração de padrões úteis e aplicados a essa grande quantidade de dados. A partir desses padrões identificados é possível analisá-los numa perspectiva agroclimática atual e futura. Diante dos cenários de mudanças climáticas, foram escolhidas como estudo de caso inicial duas culturas agrícolas de grande importância econômica, que podem ser afetadas diretamente pelo aumento das temperaturas globais: a cana-de-açúcar e o café. Também é importante a proposição de técnicas que permitam a identificação dos extremos climáticos que impactam as duas culturas. Assim, o projeto se propõe a desenvolver novos métodos, técnicas e algoritmos utilizando mineração de dados e análise baseada em fractais para avaliar as séries climáticas medidas em estações meteorológicas ou geradas pelos modelos climáticos e associá-las com dados extraídos de imagens coletadas por sensores orbitais.