USO DE MODELOS DE INTELIGÊNCIA ARTIFICIAL (DEEP LEARNING) PARA PREVISÃO METEOROLÓGICA EM REGIÕES POLARES: APLICAÇÕES EM OPERAÇÕES AÉREAS NA ANTÁRTICA

Resumo

Este trabalho teve como objetivo desenvolver ferramentas de apoio aos modelos numéricos operacionais de previsão do tempo, a m de contribuir para previsões mais precisas em operações aéreas nas regiões polares. A motivação está ligada ao Programa Antártico Brasileiro (PROANTAR), que depende de informações meteorológicas conáveis para garantir a segurança
de pousos, decolagens e demais atividades logísticas e científicas na região. Para tanto, investigou-se o uso de modelos de Deep Learning aplicados à previsão horária da temperatura do ar à superfície no Aeródromo SCRM, na Antártica, utilizando quase 15 anos de observações METAR. O pré-processamento incluiu a transformação de variáveis temporais e da direção do vento, a fim de capturar sua natureza cíclica. Foram avaliados um modelo heurístico de referência (baseline), MLP, CNN, LSTM e BiLSTM. Entre eles, a BiLSTM apresentou o melhor desempenho, obtendo os menores erros e destacando-se pela capacidade de capturar dependências temporais de longo prazo em padrões meteorológicos complexos. Além disso, as previsões foram comparadas às saídas do modelo numérico de última geração ICON-LAM. Embora o ICON-LAM tenha demonstrado alta acurácia, a BiLSTM apresentou resultados competitivos, com custo computacional significativamente menor. Esses achados reforçam que a implementação operacional da Inteligência Articial (IA) representa inovação disruptiva para as Forças Armadas, demonstrando que modelos de Deep Learning baseados em memória podem atuar como ferramentas complementares aos modelos numéricos tradicionais, apoiando a previsão do tempo e ampliando a segurança operacional em aeródromos remotos da Antártica.