Análise Comparativa de Modelos de Aprendizado de Máquina na Predição de Variáveis Climáticas para Aplicações Agrícolas
DOI:
https://doi.org/10.5753/reic.2026.8067Keywords:
Aprendizado de máquina, Previsão climática, Séries temporais, AgriculturaAbstract
A previsão de variáveis climáticas é essencial para o planejamento agrícola, especialmente em regiões com grande variação na precipitação. Este trabalho avalia o desempenho de algoritmos de aprendizado de máquina na predição de temperatura, precipitação e umidade relativa do ar, utilizando dados climáticos mensais de Sobral-CE no período de 1973 a 2019. Foram analisados modelos como Decision Tree, Random Forest, XGBoost, KNN e MLP em cenários sem e com memória temporal. Os resultados indicam que a inclusão de memória temporal melhora o desempenho dos modelos, com destaque para os métodos de ensemble. A temperatura apresentou maior previsibilidade, enquanto a precipitação se mostrou mais desafiadora, devido a sua alta variabilidade. Como contribuição, o estudo apresenta uma análise comparativa integrada em uma série histórica extensa, evidenciando o potencial do aprendizado de máquina na previsão de variáveis climáticas, contribuindo para o planejamento agrícola regional.
Downloads
Referências
Abraham, E. R., Mendes dos Reis, J. G., Vendrametto, O., Oliveira Costa Neto, P. L. d., Carlo Toloi, R., Souza, A. E. d., and Oliveira Morais, M. d. (2020). Time series prediction with artificial neural networks: An analysis using brazilian soybean production. Agriculture, 10(10):475. DOI: 10.3390/agriculture10100475.
Alejo-Sanchez, L. E., Márquez-Grajales, A., Salas-Martínez, F., Franco-Arcega, A., López-Morales, V., Acevedo-Sandoval, O. A., González-Ramírez, C. A., and Villegas-Vega, R. (2025). Missing data imputation of climate time series: A review. MethodsX, page 103455. DOI: 10.1016/j.mex.2025.103455.
Bikku, T. (2020). Multi-layered deep learning perceptron approach for health risk prediction. Journal of Big Data, 7(1):50. DOI: 10.1186/s40537-020-00316-7.
Borella, L. d. C., Borella, M. R. d. C., and Corso, L. L. (2022). Climate analysis using neural networks as supporting to the agriculture. Gestão & Produção, 29:e06. DOI: 10.1590/1806-9649-2022v29e06.
Born, L., Prager, S., Ramirez-Villegas, J., and Imbach, P. (2021). A global meta-analysis of climate services and decision-making in agriculture. Climate Services, 22:100231. DOI: 10.1016/j.cliser.2021.100231.
Chen, L., Han, B., Wang, X., Zhao, J., Yang, W., and Yang, Z. (2023). Machine learning methods in weather and climate applications: A survey. Applied Sciences, 13(21):12019. DOI: 10.3390/app132112019.
Ferreira, V. P. and Batista, J. L. F. (2021). Utilização de variáveis qualitativas de localização em equações volumétricas ea seleção de modelos. Ciência Florestal, 31(4):1968–1990. DOI: 10.5902/1980509840926.
Filippi, P., Han, S. Y., and Bishop, T. F. (2025). On crop yield modelling, predicting, and forecasting and addressing the common issues in published studies. Precision Agriculture, 26(1):8. DOI: 10.1007/s11119-024-10212-2.
Garcia, D., Silva, N., Rolim, J., Ferreira, A., Santos, J. A., Cameira, M. d. R., and Paredes, P. (2025). Prediction of crops cycle with seasonal forecasts to support decision-making. Agronomy, 15(6):1291. DOI: 10.3390/agronomy15061291.
Gimenes, L. E. (2023). Modelos não lineares aplicados às curvas de casos acumulados e óbitos da COVID-19 a nível Brasil e São Paulo. Disponível em: [link].
Halder, R. K., Uddin, M. N., Uddin, M. A., Aryal, S., and Khraisat, A. (2024). Enhancing k-nearest neighbor algorithm: a comprehensive review and performance analysis of modifications. Journal of Big Data, 11(1):113. DOI: 10.1186/s40537-024-00973-y.
Klehm, R. O., Parreira, W. D., Dazzi, R. L. S., Fernandes, A. M. d. R., García, D. C., and González, G. V. (2025). A hybrid prediction model using statistical forecasters and deep neural networks. Applied Sciences, 15(23):12393. DOI: 10.3390/app152312393.
Lima, R. C., Holand, F. S. R., Pimenta, V., and Alagão, M. L. (2025). Mudanças climáticas e adaptação produtiva na agricultura familiar do semiárido nordestino. Technical report, Cebrap. Disponível em: [link].
Mesquita, I. M. d., Carneiro, F. T., Alves, S. F., Albuquerque, L. T., and Aragão, F. A. P. (2022). Análise de algoritmos de aprendizagem de máquina para previsão de precipitações para utilização na agricultura familiar. In Escola Regional de Computação do Ceará, Maranhão e Piauí (ERCEMAPI), pages 179–187. SBC. DOI: 10.5753/ercemapi.2022.226472.
Milléo, C., Almeida, R. C. d., et al. (2020). Emprego de redes neurais artificiais na previsão climática de temperatura e precipitação no estado do paraná. Disponível em: [link].
Mishra, R., Shirsath, V., and Kadam, N. (2024). Machine learning for precision agriculture: Predictive analysis of crop growth frequencies. International Journal of Intelligent Systems and Applications in Engineering, 12(21s):986–997. Disponível em: [link].
Moore, A. and Bell, M. (2022). XGBoost, a novel explainable AI technique, in the prediction of myocardial infarction: A UK Biobank cohort study. Clinical Medicine Insights: Cardiology, 16:11795468221133611. DOI: 10.1177/11795468221133611.
Oliveira, S. F., Prado, R. B., and Monteiro, J. M. G. (2022). Impactos das mudanças climáticas na produção agrícola e medidas de adaptação sob a percepção de atores e produtores rurais de Nova Friburgo, RJ. Interações (Campo Grande), 23(4):1179–1201. DOI: 10.20435/inter.v23i4.3548.
Padhiary, M., Kumar, A., and Sethi, L. N. (2025). Emerging technologies for smart and sustainable precision agriculture. Discover Robotics, 1(1):6. DOI: 10.1007/s44430-025-00006-0.
Pugliese, R., Regondi, S., and Marini, R. (2021). Machine learning-based approach: Global trends, research directions, and regulatory standpoints. Data Science and Management, 4:19–29. DOI: 10.1016/j.dsm.2021.12.002.
Rosa, J. A. d., Mantai, R. D., Peter, C. L., Basso, N. C. F., Jung, J. S., Bandeira, W. J. A., Carvalho, I. R., and da Silva, J. A. G. G. (2022). Redes neurais artificiais na previsibilidade da produtividade de grãos da aveia pelo uso do nitrogênio e condições do ciclo de desenvolvimento da cultura. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, 9(1). DOI: 10.5540/03.2022.009.01.0296.
Saha, S., Kucher, O. D., Utkina, A. O., and Rebouh, N. Y. (2025). Precision agriculture for improving crop yield predictions: a literature review. Frontiers in Agronomy, 7:1566201. DOI: 10.3389/fagro.2025.1566201.
Salman, H. A., Kalakech, A., and Steiti, A. (2024). Random forest algorithm overview. Babylonian Journal of Machine Learning, 2024:69–79. DOI: 10.58496/BJML/2024/007.
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN computer science, 2(3):1–21. DOI: 10.1007/s42979-021-00592-x.
Sheikh, H., Prins, C., and Schrijvers, E. (2023). Artificial intelligence: definition and background. In Mission AI: The new system technology, pages 15–41. Springer. DOI: 10.1007/978-3-031-21448-6_2.
Silva, R. and Silva Neto, D. R. d. (2023). Inteligência artificial e previsão de óbito por covid-19 no brasil: uma análise comparativa entre os algoritmos logistic regression, decision tree e random forest. Saúde Em Debate, 46:118–129. DOI: 10.1590/0103-11042022E809.
Woodman, R. J. and Mangoni, A. A. (2023). A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future. Aging Clinical and Experimental Research, 35(11):2363–2397. DOI: 10.1007/s40520-023-02552-2.
Zhang, H., Liu, Y., Zhang, C., and Li, N. (2025). Machine learning methods for weather forecasting: A survey. Atmosphere, 16(1):82. DOI: 10.3390/atmos16010082.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
