Modelagem de risco de nevoeiro e previsão meteorológica com aplicação de aprendizado profundo de máquina com uso de regressão logística e redes neurais LSTM para a Região do Cais do Porto de Porto Alegre – RS, Brasil

Abstract

Este estudo investiga a aplicação de técnicas avançadas de aprendizado de máquina, com ênfase em redes neurais Long Short-Term Memory (LSTM) e regressão logística, na modelagem do risco de nevoeiro e na previsão meteorológica para a região do cais do porto de Porto Alegre (RS). A pesquisa foi desenvolvida em quatro etapas principais, utilizando algoritmos em Python para análise e previsão de fenômenos meteorológicos: (i) ao longo de 21 anos (2003–2024), foram coletados dados meteorológicos in loco por meio de API de estações digitais, contemplando variáveis como visibilidade, temperatura, ponto de orvalho, umidade relativa, velocidade e direção do vento e pressão atmosférica, que passaram por processos de limpeza, normalização e organização para assegurar a consistência das séries temporais; (ii) realizaram-se análises multivariadas a fim de identificar tendências climáticas e padrões de variabilidade temporal; (iii) aplicou-se regressão logística para avaliar a relação entre variáveis meteorológicas e a ocorrência de nevoeiro, com desempenho medido por AUC-ROC, Odds Ratios, significância estatística e qualidade de ajuste; (iv) desenvolveram-se modelos preditivos baseados em redes LSTM para previsão do risco de nevoeiro e de variáveis meteorológicas, incorporando análise temporal. Os modelos LSTM foram comparados a abordagens convencionais (WRF, Tomorrow.io), à regressão logística, ao perceptron multicamada (MLP) e a um modelo naive, sendo avaliados por métricas como erro médio absoluto (MAE), erro quadrático médio (RMSE), acurácia, recall e AUC. Os resultados demonstraram a eficácia tanto da regressão logística (AUC = 0,93) quanto do LSTM (AUC = 0,987; acurácia = 0,958) na modelagem do risco de nevoeiro, na estimativa da duração dos eventos e na previsão de períodos de visibilidade reduzida, especialmente no inverno, quando se verificou maior variabilidade entre maio e julho. O LSTM superou não apenas a regressão logística, mas também os modelos convencionais, apresentando redução significativa de falsos positivos e falsos negativos, recall médio de 90%, AUC média de 0,936 e acurácia média de 82,52%. Em termos absolutos, o modelo identificou corretamente 7 131 verdadeiros negativos e 477 verdadeiros positivos, contra 1 471 falsos positivos e 41 falsos negativos em 9 mil simulações, correspondentes a 100 horas previstas. O desempenho manteve-se consistentemente elevado ao longo do ano, com acurácia de 100% para nevoeiros densos, moderados e leves na maioria dos meses, recall variando entre 0,8889 e 1,0 e AUC entre 0,7988 e 0,9845. Este trabalho representa uma contribuição relevante para o avanço da modelagem e previsão meteorológica, oferecendo uma base robusta para futuras aplicações não apenas no cais do porto de Porto Alegre, mas também em outras regiões com condições climáticas semelhantes.

This study investigates the application of advanced machine learning techniques, with an emphasis on Long Short-Term Memory (LSTM) neural networks and logistic regression, for modeling fog risk and meteorological forecasting in the port quay area of Porto Alegre (RS). The research was carried out in four main stages, using Python algorithms for the analysis and forecasting of meteorological phenomena: (i) over a 21-year period (2003–2024), meteorological data were collected in loco via an API from digital weather stations, covering variables such as visibility, temperature, dew point, relative humidity, wind speed and direction, and atmospheric pressure, which underwent cleaning, normalization, and organization processes to ensure the consistency of time series; (ii) multivariate analyses were performed to identify climate trends and patterns of temporal variability; (iii) logistic regression was applied to assess the relationship between meteorological variables and the occurrence of fog, with performance measured by AUC-ROC, Odds Ratios, statistical significance, and goodness-of-fit; (iv) predictive models based on LSTM networks were developed for forecasting fog risk and meteorological variables, incorporating temporal analysis. The LSTM models were compared with conventional approaches (WRF, Tomorrow.io), logistic regression, multilayer perceptron (MLP), and a naive model, and evaluated using metrics such as mean absolute error (MAE), root mean square error (RMSE), accuracy, recall, and AUC. The results demonstrated the effectiveness of both logistic regression (AUC = 0.93) and LSTM (AUC = 0.987; accuracy = 0.958) in modeling fog risk, estimating event duration, and predicting periods of reduced visibility, especially in winter, when greater variability was observed between May and July. The LSTM outperformed not only logistic regression but also conventional models, showing a significant reduction in false positives and false negatives, with an average recall of 90%, mean AUC of 0.936, and mean accuracy of 82.52%. In absolute terms, the model correctly identified 7,131 true negatives and 477 true positives, against 1,471 false positives and 41 false negatives in 9,000 simulations, corresponding to 100 forecast hours. Performance remained consistently high throughout the year, with 100% accuracy for dense, moderate, and light fog in most months, recall ranging from 0.8889 to 1.0, and AUC between 0.7988 and 0.9845. This work represents a relevant contribution to the advancement of meteorological modeling and forecasting, providing a robust basis for future applications not only in the port quay of Porto Alegre but also in other regions with similar climatic conditions.