Previsão climática no Nordeste de Goias: Aplicações de Big Data e Machine Learning

Resumo

Este trabalho propõe o desenvolvimento de um modelo preditivo que combina técnicas de Big Data e Machine Learning para análise climática na região do Nordeste Goiano. O estudo tem como foco principal a previsão de eventos climáticos extremos, como chuvas intensas e secas severas, com o objetivo de apoiar a tomada de decisões estratégicas nos setores agrícola e de gestão de recursos hídricos. A metodologia adotada envolve a coleta de dados multivariados oriundos de diversas fontes, incluindo satélites da NASA e ESA, estações meteorológicas do INMET e redes de sensores ambientais. O processamento desses dados será conduzido com o uso de frameworks robustos, como Apache Hadoop e Spark, permitindo a análise de grandes volumes de informação em tempo real. A etapa de modelagem utilizará algoritmos avançados de aprendizado de máquina, como Random Forest, que é um método baseado em múltiplas árvores de decisão o qual melhora a precisão ao reduzir o risco de overfitting, e XGBoost, uma técnica de gradient boosting altamente eficiente que combina diversos modelos fracos para formar um modelo robusto e preciso. Também serão aplicadas redes neurais para identificar padrões complexos em variáveis climáticas críticas, como precipitação, temperatura, umidade relativa do ar e concentração de gases do efeito estufa. Os resultados obtidos terão aplicação prática no planejamento agrícola regional, na otimização de sistemas de irrigação e na redução de riscos relacionados a eventos climáticos adversos, contribuindo de forma significativa para o desenvolvimento sustentável da região e para a segurança alimentar, gerando benefícios econômicos e ambientais.