Uso de inteligência artificial para previsão de precipitação sazonal no estado de Minas Gerais, Brasil

Autores

DOI:

https://doi.org/10.5902/2179460X90228

Palavras-chave:

Inteligência Artificial, Precipitação Sazonal, Modelos de previsão

Resumo

A previsão de precipitação é essencial para a gestão de recursos hídricos, agricultura e prevenção de desastres climáticos. Este estudo explora o uso de inteligência artificial (IA) para prever a precipitação sazonal no estado de Minas Gerais, Brasil. Utilizando redes neurais treinadas com dados de alta resolução temporal e espacial (GPCC, GPCP, MERGE-CPTEC e CHIRPS), a pesquisa compara a eficácia das previsões de IA com modelos numéricos de previsão físico-dinâmicos. Os resultados mostram que a média de múltiplas execuções de cada modelo de rede neural e o uso de dados de maior resolução espacial, especialmente do CHIRPS, oferecem previsões mais precisas, com menores erros quadráticos médios (RMSE) e erros relativos (RE). A aplicação da IA mostrou resultados promissores, fornecendo previsões com menor tempo de processamento computacional em comparação com os modelos tradicionais. O estudo destaca a importância de aprimorar a infraestrutura computacional e o potencial de novas técnicas de IA para melhorar a previsão de eventos climáticos extremos, beneficiando setores como agricultura e gestão de recursos hídricos.

Downloads

Não há dados estatísticos.

Biografia do Autor

Matheus José Gomes, Universidade Federal de Itajubá

Graduando em Ciencias Atmosféricas na Universidade Federal de Itajubá (UNIFEI).

Juliana Aparecida Anochi, Instituto Nacional de Pesquisas Espaciais

Doutorado em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais (INPE).

Marilia Harumi Shimizu, Instituto Nacional de Pesquisas Espaciais

Doutorado em Meteorologia pelo Instituto Nacional de Pesquisas Espaciais (INPE).

 

Referências

Adler, R. F., Huffman, G. J., Chang, A., Ferraro, R., Xie, P., Janowiak, J., Rudolf, B., Schneider, U., Curtis, S., Bolvin, D., Gruber, A., Susskind, J., Arkin, P., & Nelkin, E. (2003). The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979–present). Journal of hydrometeorology, 4(6), 1147-1167.

Amante, C., & Eakins, B. W. (2009). ETOPO1 - 1 arc-minute global relief model: procedures, data sources and analysis. (NOAA Technical Memorandum NESDIS NGDC-24). National Geophysical Data Center, National Oceanic and Atmospheric Administration. https://doi.org/10.7289/V5C8276M

Anochi, J. A., de Almeida, V. A., de Campos Velho, H. F. (2021). Machine learning for climate precipitation prediction modeling over South America. Remote Sensing, 13(13), 2468. https://doi.org/10.3390/rs13132468

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Geoscientific model development discussions, 7(1), 1525-1534. https://doi.org/10.5194/gmd-7-1247-2014

Chen, L., Zhong, X., Li, H., Wu, J., Lu, Bo., Chen, D., Xie, S., Wu, L., Chao, Q., Lin, C., & Qi, Y. (2024). A machine learning model that outperforms conventional global subseasonal forecast models. Nature Communications, 15(1), 6425. https://doi.org/10.1038/s41467-024-50714-1

Conti, S. (2024). Artificial intelligence for weather forecasting. Nature Reviews Electrical Engineering,1 (1), 8-8. https://doi.org/ 10.1038/s44287-023-00009-2

Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J., Harrison, L., Hoell, A., & Michaelsen, J. (2015). The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific data, 2(1), 1-21. https://doi.org/10.1038/sdata.2015.66

Huffman, G. J., Adler, R. F.; Behrangi, Ali; Bolvin, David T.; Nelkin, Eric; Song, Yang. Algorithm Theoretical Basis Document (ATBD) for Global Precipitation Climatology Project Version 3.1 Precipitation Data. 2020. Disponível em: https://disc.gsfc.nasa.gov/datasets/GPCPMON_3.2/summary. Acesso em: 11 mar. 2023.

Instituto Brasileiro de Geografia e Estatística (2022). Área territorial brasileira 2022. https://cidades.ibge.gov.br/brasil/mg/panorama. Acesso em: 05 nov. 2024.

Kirtman, B. P., Min, D., Infanti, J. M., Kinter, J. L., Paolino, D. A., Zhang. Q., van den Dool, H., Saha, S., Mendez, M. P., Becker, E., Peng, P., Tripp, P., Huang, P., DeWitt, D. G., Barnston, A. G., Li, S., Rosati, A., Schubert, S. D., et al. (2014). The North American multimodel ensemble: phase-1 seasonal-to-interannual prediction; phase-2 toward developing intraseasonal prediction. Bulletin of the American Meteorological Society, 95(4), 585-601. https://doi.org/10.1175/BAMS-D-12-00050.1

Lam, R., Gonzalez-Sanchez, A., Willson. M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T., Eaton-Rosen, Z., Hu, W., Merose, A., Hoyer, S., Holland, G., Vinyals, O., Stott, J., Prtizel, A., Mohamed, S., & Battgalia, P. (2023). Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416-1421. https://doi.org/ 10.1126/science.adi2336

Marengo, J. A., Seluchi, M. E., Cunha, A. P., Cuartas, L. A., Goncalves, D., Sperling, V. B., ... & Moraes, O. L. (2023). Heavy rainfall associated with floods in southeastern Brazil in November–December 2021. Natural Hazards, 116(3), 3617-3644. https://doi.org/10.1007/s11069-023-05827-z

Marmolin, H. Subjective MSE measures. IEEE transactions on systems, man, and cybernetics, 16(3), 486-489. https://doi.org/10.1109/TSMC.1986.4308985

Materia, S., García, L. P., van Straaten, C., O, S., Mamalakis, A., Cavicchia, L., Coumou, D., de Luca, P., Kretschmer, M., & Donat, M. (2024). Artificial intelligence for climate prediction of extremes: State of the art, challenges, and future perspectives. WIREs Climate Change, 15(6), e914. https://doi.org/10.1002/wcc.914

Minuzzi, R. B., Sediyama, G. C., Ribeiro, A., & da Costa, J. M. N. (2005). El Niño: ocorrência e duração dos veranicos do Estado de Minas Gerais. Revista brasileira de engenharia agrícola e ambiental, 9, 364-371. https://doi.org/10.1590/S1415-43662005000300011

Rizzo, I. V., & Canato, R. L. C. (2020). Inteligência artificial: funções de ativação. Prospectus, 2(2), 51–65.

Rozante, J. R., Moreira, D. S., de Gonçalves, L. G. G., Vila, D. A. (2010). Combining TRMM and surface observations of precipitation: technique and validation over South America. Weather and forecasting, 25(3), 885-894. https://doi.org/10.1175/2010WAF2222325.1

Shimizu, M. H., Ambrizzi, T., & Liebmann, B. (2017). Extreme precipitation events and their relationship with ENSO and MJO phases over northern South America. International Journal of Climatology, 37(6), 2977-2989. https://doi.org/10.1002/joc.4893

Downloads

Publicado

2026-09-25

Edição

v. 48 (2026): Publicação contínua

Seção

Geociências

Licença

Copyright (c) 2026 Ciência e Natura

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.