Modelos de Inteligência Artificial para Análise e Previsão de Dados Complexos

A Inteligência Artificial (IA) tem se consolidado como uma das principais tecnologias para análise e previsão de séries temporais, especialmente em aplicações climáticas e ambientais. O avanço do Deep Learning, aliado à disponibilidade de grandes volumes de dados meteorológicos, permite identificar padrões complexos e não lineares, contribuindo para a previsão de eventos extremos e para o planejamento ambiental. Nesse contexto, este projeto investiga arquiteturas de aprendizado profundo para previsão de séries temporais climáticas, com foco nas temperaturas máxima e mínima da cidade de Belém, incorporando dados de sensoriamento remoto, como a temperatura da superfície terrestre (LST), para análise da dinâmica térmica urbana. A pesquisa utiliza dados meteorológicos históricos do INMET e variáveis ambientais extraídas de imagens de satélite, como NDVI e NDBI, permitindo a modelagem conjunta de fatores climáticos e ambientais. O estudo envolve etapas de coleta, tratamento, normalização e análise exploratória das séries temporais, incluindo correlação, tendência, sazonalidade e autocorrelação, visando orientar a modelagem preditiva. Para a previsão, são avaliadas arquiteturas de Deep Learning como RNN, LSTM, GRU, TCN, Transformer e N-BEATS, além da aplicação de técnicas de Explainable Artificial Intelligence (XAI), como SHAP e LIME, para interpretação dos modelos. O desempenho é comparado por métricas como RMSE, MAE e MAPE. Como contribuição, o projeto busca desenvolver modelos preditivos baseados em Inteligência Artificial para apoiar o monitoramento climático da cidade de Belém, auxiliando na previsão de eventos extremos e no planejamento urbano resiliente. Os resultados pretendem identificar fatores associados ao aumento da temperatura urbana e contribuir para políticas públicas, alinhando-se aos Objetivos de Desenvolvimento Sustentável (ODS 13 e 15). Adicionalmente, o estudo incorpora uma abordagem baseada em qualidade e governança dos dados, com pipeline de ingestão e validação multi-camada, verificação de consistência, checagem entre fontes e mecanismos de rastreabilidade. Também considera o uso responsável de IA e IA generativa, avaliando riscos, atribuindo escores de confiabilidade e incorporando-os à modelagem, visando maior robustez, transparência, reprodutibilidade e confiabilidade dos resultados.