15/Dec/2025
Autor: Jhonathas Moutinho da Silva Melo
Curso: Especialização em Aprendizado de Máquina (IFAM)
Orientador: Prof. Me. Eduardo Palhares Júnior
Apresentação Internacional
- Evento: II Congresso Internacional de Tecnologias Emergentes (CITE)
- Local: Evento online
- Data: 14 e 15 de Novembro de 2025
Resumo
O Conteúdo de Calor Oceânico (OHC) no Atlântico Norte Subpolar constitui um indicador crítico das mudanças climáticas, com implicações diretas para a estabilidade da Circulação de Revolvimento Meridional do Atlântico (AMOC). Este estudo desenvolve e valida um modelo de Random Forest para previsão do OHC na região, utilizando uma abordagem baseada em séries temporais que combina dados de reanálise EN4 (1950–2020) com observações independentes da rede ARGO (2004–2020). O modelo apresentou desempenho robusto, identificando uma tendência persistente de resfriamento que se projeta para a década 2021–2030. A abordagem demonstra que técnicas de machine learning são ferramentas eficazes para previsão oceânica, permitindo avanços no monitoramento de variáveis climaticamente relevantes.
Palavras-chave: Conteúdo de Calor Oceânico, Atlântico Norte Subpolar, Random Forest, Machine Learning, Séries Temporais, Previsão Oceânica.
Documentos
O Artigo Completo (PDF) apresentado no congresso está disponível para download na seção de arquivos abaixo.
