Análise estatística da precisão entre diferentes modelos de previsão climática para o município de Indaiatuba

Abstract

As mudanças climáticas decorrentes do aquecimento global têm gerado impactos globais significativos, afetando ecossistemas e setores econômicos. Modelos climáticos são essenciais para prever esses impactos, especialmente em cidades como Indaiatuba, que dependem fortemente dos setores industrial e logístico. O objetivo deste trabalho é comparar a precisão de diferentes modelos regionais de previsão climática, utilizando dados históricos de temperatura, precipitação e umidade para avaliar qual modelo apresenta maior acurácia para a cidade, contribuindo para o planejamento de estratégias de mitigação de riscos climáticos. A pesquisa é classificada como básica, descritiva e quantitativa, voltada à ampliação do conhecimento teórico, sem aplicação prática imediata. A coleta de dados foi realizada a partir da Estação Meteorológica Automática (EMA) de Indaiatuba, com registros de temperatura, umidade e precipitação referentes ao ano de 2023, além das previsões dos modelos regionais Eta, BRAMS e WRF. O tratamento dos dados incluiu a correção de valores ausentes e anômalos, bem como a padronização para posterior comparação. O estudo baseia-se em métodos estatísticos e técnicas de mineração de dados, realizando análises comparativas entre modelos climáticos regionais. Processos de ETL (Extract, Transform, Load) foram empregados para garantir a qualidade e a consistência dos dados utilizados nas análises. A hipótese central deste estudo é que a aplicação de técnicas de mineração de dados e comparações estatísticas entre diferentes modelos regionais de previsão climática permite identificar variações significativas na precisão das previsões meteorológicas em áreas específicas como Indaiatuba, possibilitando reconhecer os modelos mais confiáveis para variáveis como temperatura, precipitação e umidade. A análise descritiva envolverá medidas como média, mediana, desvio padrão, variância e percentis para caracterizar a distribuição dos dados. Testes de inferência estatística, como o teste de Wilcoxon pareado, serão utilizados para avaliar diferenças significativas entre os modelos e os dados observados. Métricas de erro, como RMSE e viés, serão aplicadas para quantificar a precisão dos modelos, enquanto a correlação entre variáveis será avaliada pelo coeficiente de correlação de Pearson (r).

Climate change driven by global warming has caused significant global impacts, affecting ecosystems and economic sectors. Climate models are essential for predicting these impacts, especially in cities like Indaiatuba, which heavily rely on industrial and logistical activities. The objective of this study is to compare the accuracy of different regional climate forecasting models using historical data on temperature, precipitation, and humidity to determine which model provides the highest accuracy for the city, contributing to the planning of climate risk mitigation strategies. This research is classified as basic, descriptive, and quantitative, focused on expanding theoretical knowledge without immediate practical application. Data were collected from the Indaiatuba Automatic Weather Station (EMA), including temperature, humidity, and precipitation records for the year 2023, along with forecasts from the regional models Eta, BRAMS, and WRF. Data preprocessing included correcting missing and anomalous values and standardizing datasets for subsequent comparison. The study employs statistical methods and data mining techniques to perform comparative analyses among regional climate models. ETL (Extract, Transform, Load) processes were applied to ensure data quality and consistency. The central hypothesis of this study is that applying data mining techniques and statistical comparisons among different regional climate forecasting models allows for the identification of significant differences in prediction accuracy across specific areas such as Indaiatuba, making it possible to determine which models are more reliable for variables like temperature, precipitation, and humidity. Descriptive analysis involves measures such as mean, median, standard deviation, variance, and percentiles to characterize data distribution. Inferential tests, such as the paired Wilcoxon test, will be used to assess significant differences between models and observed data. Error metrics such as RMSE and bias will quantify model accuracy, while correlations among variables will be evaluated using the Pearson correlation coefficient (r).