ANÁLISE PREDITIVA DE VARIÁVEIS CLIMÁTICAS UTILIZANDO INTELIGÊNCIA ARTIFICIAL COM PYTHON NO GOOGLE COLAB
1HUDSON SERGIO DE SOUZA, 2MATHEUS MARCHETTI, 3ALLAN DA SILVA, 4RONIFRANCIS SHIGUETA, 5ÉRICA APARECIDA ROMERO ORTEGA, 6HUDSON SÉRGIO DE SOUZA
1DOCENTE UNIPAR 2Acadêmico do Curso de Análise e Desenvolvimento de Sistemas da UNIPAR 3DOCENTE UNIPAR 4DOCENTE UNIPAR 5DOCENTE UNIPAR 6DOCENTE UNIPAR
Introdução: A análise preditiva tem se tornado uma ferramenta robusta e confiável para a tomada de decisões em diversos setores, incluindo o gerenciamento de recursos naturais e tecnologias sustentáveis (Salomão et al., 2025), aliada ao aumento de dados climáticos, combinada com a inteligência artificial (IA), permite que os pesquisadores desenvolvam modelos preditivos eficazes (Torres; Freitas, 2023). Este estudo foca na aplicação de técnicas de aprendizado de máquina para prever variáveis climáticas, como temperatura média, umidade, velocidade do vento e pressão média, usando um conjunto de dados de séries temporais climáticas disponíveis no Kaggle (Kaggle-a, 2025), que é uma plataforma colaborativa online voltada para cientistas de dados e entusiastas de aprendizado de máquina, de competições de ciência de dados, compartilhar dados e conhecimentos através de tutoriais e notebooks de código. A Linguagem de Programação Python é considerada de alto nível, de propósito geral, possui uma sintaxe clara e legível, amplamente aplicada à ciência de dados, aprendizado de máquina, desenvolvimento web e automação (Python, 2025). A biblioteca Pandas integrada ao Python fornece estruturas e ferramentas de análise de dados que facilitam a manipulação de dados, e através do DataFrame e do Series é possível realizar operações complexas, como a filtragem, a agregação e a limpeza de dados, atuando no pré-processamento e análise de conjuntos de dados (Pandas, 2025). A biblioteca NumPy é a base de muitas outras bibliotecas de ciência de dados operando com Python, oferece suporte para arrays multidimensionais, matrizes e funções matemáticas complexas (Numpy, 2025). Matplotlib é uma biblioteca de visualização de dados em Python, utilizada para explorar e apresentar resultados de forma visual, facilitando sua análise e a interpretação (Matplotlib, 2025). O ambiente do Google Colab é uma plataforma de desenvolvimento de notebooks Jupyter (Jupyter, 2025), baseada na nuvem, integra com o Google Drive, que permite escrever e executar código Python diretamente no navegador, incluindo Graphics Processing Units/Unidades de Processamento Gráfico (GPUs) e Tensor Processing Units/Unidades de Processamento Tensorial (TPUs) de forma colaborativa com outros desenvolvedores (Google Colaboratory, 2025). Objetivo: O objetivo deste trabalho é aplicar métodos de análise preditiva com IA para prever a temperatura média utilizando um conjunto de dados de séries temporais climáticas, visando desenvolver um modelo que permita realizar previsões futuras, precisas e avaliar o desempenho do modelo utilizando métricas adequadas. Material e Métodos: Os dados utilizados neste estudo foram extraídos de um conjunto de dados de séries temporais climáticas no Kaggle (Kaggle-a, 2025), denominado Climate Forecasting - Prophet/Previsão Climática - Profeta (Kaggle-b, 2025), contendo 1.462 entradas diárias, referente aos anos de 2013 a 2017, possui quatro variáveis: meantemp (temperatura média), humidity (umidade), wind_speed (velocidade do vento) e meanpressure (pressão média). Os dados foram importados e manipulados usando a linguagem de programação Python e as bibliotecas Pandas, NumPy e Matplotlib no ambiente do Google Colab (Dias; Dias, 2023). O pré-processamento é fundamental para preparar o conjunto de dados para a modelagem (Fini et al., 2022), para a variável meanpressure (pressão média), foram removidos os outliers (valores extremos), mantendo os valores dentro da faixa realista de 950 a 1050 hPa. Na variável wind_speed (velocidade do vento), foram mantidos todos os valores, sendo que a velocidade máxima de 42.22 km/h, é possível que ocorra em eventos climáticos extremos. A extração das características temporais dos dias e meses do ano, foi realizada para auxiliar na modelagem. O modelo escolhido para a previsão da temperatura média foi o Facebook Prophet (Meta, 2025), uma ferramenta poderosa para séries temporais que lida bem com a sazonalidade, e seu desempenho foi avaliado utilizando métricas de erro, como Mean Absolute Error/Erro Absoluto Médio (MAE) e Root Mean Squared Error/Raíz do Erro Quadrático Médio (RMSE) (Torres; Freitas, 2023). Resultados e Discussão: Os resultados mostram que o modelo Prophet conseguiu reproduziu a tendência e a sazonalidade dos dados climáticos. A análise dos resultados revelou que o modelo apresentou um MAE de 1.5 e um RMSE de 2.0, indicando uma boa precisão nas previsões. A execução do pré-processamento foi eficiente para garantir a qualidade dos dados, impactando diretamente na performance do modelo. Comparado a métodos tradicionais de previsão, como regressão linear, o modelo Prophet demonstrou um desempenho superior na reprodução de variações sazonais, devido à sua sintaxe flexível e ao tratamento interno de sazonalidade. Conclusão: O projeto demonstrou que a aplicação de IA e análise preditiva pode levar a previsões climáticas mais precisas e eficazes. O uso do modelo Prophet combinado com a eficiência do pré-processamento de dados, demostra um método robusto para a análise de séries temporais. A pesquisa sugere que futuras investigações devem explorar a aplicação de outros modelos de aprendizado de máquina e a integração de dados externos para melhorar ainda mais as previsões.
Referências: DIAS, Jonatas Cerqueira; DIAS, Jeferson Cerqueira. Análise preditiva de dados: Uma abordagem de conceitos e algoritmos. Revista Processando o Saber. DOI https://doi.org/10.5281/zenodo.14942165. v.15, n.1, p.63-74, 6 jun. 2023. FINI, Leonardo; LANZELOTTI, Samantha; COLNAGO, Marilaine; CASACA, Wallace. Análise Preditiva da Geração Fotovoltaica no Mercado de Energia do Complexo Solar Pirapora. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics (SBMAC). e-ISSN: 2359-0793. v.9, n.1, 2022. GOOGLE, Colaboratory. Google Colab. Disponível em: https://colab.google/. Acesso em: 21 jul. 2025. JUPYTER. Projetc Jupyter: JupyterNotebook and JypyterLab. Disponível em: https://jupyter.org/. Acesso em: 22 jul. 2025. KAGGLE-a. Level up with the largest AI & ML community. Disponível em: https://www.kaggle.com/. Acesso em: 23 jul. 2025. KAGGLE-b. Climate Forecasting: Prophet. Disponível em: https://www.kaggle.com/code/asadullahcreative/climate-forecasting-prophet#1.Import-Libraries. Acesso em: 20 jul.2025. MATPLOTLIB, Development. Matplotlib 3.10.2: Visualization with Python. Disponível em: https://matplotlib.org/. Acesso em: 23 jul.2025. META, Open Source. Facebook prophet: Tool for producing high quality forecasts at scale. Disponível em: https://facebook.github.io/prophet/. Acesso em: 15 jul. 2025. NUMPY. NumPy 2.3.0. Disponível em: https://numpy.org/. Acesso em: 22 jul. 2025. PANDAS. Pandas 2.3.1. Disponível em: https://pandas.pydata.org/. Acesso em: 22 jul. 2025. PYTHON, Software Foundation. Python 3.13.2. Disponível em: https://www.python.org/. Acesso em: 21 jul. 2025. SALOMÃO, P.E.A.; et all. Transformação digital e inovação no RH: o futuro do RH, automação, IA e análise preditiva. Rev. Multidisciplinar do Nordeste Mineiro. ISSN: 2178-6925. v.2, p.1-4, 2025. TORRES, Simone Carnaúba; FREITAS; Ruskin Marinho. A influência de parâmetros urbanísticos no desempenho climático de tecidos urbanos: Uma análise preditiva em Arapiraca-AL, Brasil. Revista de Geografia e Ordenamento do Território (GOT). DOI: https://doi.org/10.17127/got/2023.25.002. n.25, p.22-47, 2023.