Desenvolvimento de modelos de correção de erro baseados em aprendizado de máquina para previsão do estado do mar

Descrição

A previsão do estado do mar é um componente estratégico para a gestão de zonas costeiras, com aplicações diretas na segurança da navegação, proteção de comunidades e otimização da logística portuária. Nos últimos anos, métodos de Aprendizado de Máquina (AM) têm se destacado como alternativas eficientes aos modelos numéricos tradicionais, alcançando elevado desempenho preditivo com menor custo computacional. Este projeto propõe uma investigação sistemática de técnicas avançadas de AM aplicadas à previsão de parâmetros oceanográficos, com foco na altura significativa de ondas e variáveis associadas ao longo do litoral brasileiro. O diferencial da proposta reside na incorporação de modelos de previsão de erro como etapa complementar à modelagem principal, visando corrigir vieses sistemáticos e aprimorar a acurácia das previsões. Serão avaliados modelos pertencentes a diferentes paradigmas, incluindo métodos baseados em árvores, abordagens kernel e arquiteturas de aprendizado profundo, explorando seu desempenho tanto de forma isolada quanto em estruturas híbridas com modelos de correção de erro. A análise será conduzida em pontos estratégicos da costa brasileira, utilizando dados observacionais e de reanálise. Espera-se que os resultados contribuam para o avanço metodológico na previsão do estado do mar, subsidiando o desenvolvimento de sistemas de alerta precoce baseados em AM.