Desenvolvimento de Métodos de Aprendizado de Máquina para Completamento de Dados Climáticos

Este trabalho propõe o desenvolvimento e avaliação de métodos para completamento de dados climáticos ausentes utilizando técnicas de aprendizado de máquina e inteligência artificial. A pesquisa aborda os desafios relacionados à qualidade e disponibilidade de dados meteorológicos provenientes de diferentes fontes, como INMET, CPTEC e NOAA, considerando problemas como dados faltantes, outliers e diferenças de padronização. O estudo busca integrar métodos estatísticos, regressão linear múltipla, redes neurais artificiais e algoritmos de machine learning para melhorar a precisão e robustez do preenchimento de lacunas em séries temporais climáticas. Também é proposta a evolução de uma API já existente para coleta e disponibilização de dados climáticos brasileiros em tempo real, incorporando tratamento automatizado de dados, análise de variáveis climáticas e geração de gráficos e análises. O trabalho explora métricas de avaliação como RMSE, MAE, MAPE e coeficiente de correlação, além de investigar o impacto do completamento de dados na previsão meteorológica e em análises climáticas.