Aplicação de Aprendizado de Máquina na Análise e Predição da Estação Chuvosa em Mato Grosso: Avaliação de Modelos de Regressão para Previsão do Início da Estação Chuvosa em Mato Grosso

Descrição

A previsão antecipada do início da estação chuvosa (IEC) no estado de Mato Grosso no Brasil constitui-se um desafio de grande impacto ambiental e socioeconômico, sendo um parâmetro crítico para o planejamento estratégico do agronegócio no país. As abordagens preditivas tradicionais, frequentemente baseadas em modelos dinâmicos complexos ou métodos estatísticos lineares, apresentam limitações operacionais e dificuldades em capturar as relações não lineares inerentes ao sistema climático. Tais restrições comprometem a acurácia dos prognósticos e reduzem a janela de tempo hábil para a tomada de decisão no setor produtivo. Diante deste cenário, este trabalho propõe investigar o potencial de algoritmos de Aprendizado de Máquina como uma ferramenta alternativa e eficiente para a previsão do início do período chuvoso em escala regional. O estudo baseia-se na aplicação de modelos de regressão estruturados em árvores de decisão e métodos baseados em distância (como XGBoost, Random Forest e KNN), alimentados por anomalias de preditores climáticos globais e regionais. A metodologia abrange a avaliação do impacto preditivo em diferentes resoluções espaciais e escalas de defasagem temporal (lags), além do impacto do uso de diferentes extensões temporais de dados e variáveis preditivas. Espera-se que esta abordagem metodológica seja capaz de decodificar a complexidade dos padrões climáticos e oferecer uma alternativa preditiva mais eficaz, viabilizando projeções do IEC com boa precisão e antecedência.

Palavras-chave

• Estação Chuvosa
• Predição
• Mato Grosso
• Aprendizado de Máquina
• Regressão

Grupo de pesquisa

Algoritmos e Otimização Combinatória