Previsão de tendência de temperatura com inteligência artificial explicável e aprendizado de máquina baseado em ACP: um estudo de caso de Zonguldak, Turquia

Por que as tendências locais de temperatura importam

Para muitas comunidades, a mudança climática pode parecer uma narrativa distante e global. Ainda assim, seus efeitos se manifestam mais claramente no clima local: verões mais quentes, padrões de chuva alterados e tempestades mais intensas. Este estudo concentra-se em Zonguldak, uma província costeira e industrial na costa ocidental do Mar Negro da Turquia, levantando uma pergunta prática: a inteligência artificial moderna pode não apenas prever com precisão as tendências locais de temperatura, mas também explicar como chega a essas previsões, de modo que planejadores e moradores possam confiar e utilizar os resultados?

Transformando registros brutos do tempo em pistas úteis

Para abordar essa questão, os pesquisadores reuniram mais de duas décadas de registros mensais do tempo para Zonguldak, cobrindo os anos de 2000 a 2022. O conjunto de dados incluiu temperatura média, mínima e máxima do ar, várias medidas de precipitação, direção e velocidade do vento e umidade. Antes que qualquer modelo computacional pudesse aprender a partir desses dados, a equipe os limpou e padronizou: valores ausentes foram preenchidos, rótulos de texto como direções do vento foram convertidos em números, e todas as variáveis foram colocadas em uma escala comum para que nenhuma medição dominasse as demais apenas por causa de suas unidades.

Destilando padrões climáticos complexos

Dados climáticos são notoriamente emaranhados: muitas variáveis mudam em conjunto, e algumas têm fortes correlações. Para simplificar essa teia sem perder informações importantes, os pesquisadores utilizaram uma técnica chamada análise de componentes principais (ACP). Em vez de examinar cada medição original separadamente, a ACP cria um pequeno número de novos fatores “resumidos” que capturam a maior parte da variabilidade nos dados. Neste estudo, a equipe manteve fatores suficientes para preservar 95% das informações originais. O fator mais importante, conhecido como primeiro componente principal, acabou combinando temperatura e vento de modo significativo: temperaturas mínima e máxima mais altas elevaram esse componente, enquanto ventos mais fortes o reduziram.

Escolhendo os motores de previsão mais confiáveis

Com esses fatores climáticos simplificados em mãos, a equipe testou um conjunto de métodos de aprendizado de máquina para prever a temperatura média mensal. Alguns eram modelos simples de linha reta; outros, como redes neurais e árvores com boosting, conseguem captar relações mais complexas. Os pesquisadores dividiram os dados em conjuntos de treinamento e teste e avaliaram cada método com várias medidas de erro e ajuste. Apesar do entusiasmo em torno de sistemas complexos “caixa-preta”, os vencedores claros aqui foram duas abordagens lineares diretas, chamadas regressão linear e regressão ridge. Esses modelos apresentaram consistentemente os menores erros e explicaram mais de 90% da variação nos dados de teste, mostrando que, para esta região e escala temporal, a temperatura se comporta de maneira amplamente linear e previsível.

Abrindo a caixa-preta das decisões da IA

A precisão por si só não é suficiente quando previsões vão orientar infraestrutura, agricultura ou planejamento de saúde. Para entender por que os modelos fizeram previsões específicas, a equipe recorreu a ferramentas de IA explicável. Eles treinaram um modelo baseado em árvore, bem adequado para esse tipo de análise, e usaram dois métodos complementares: “importância por permutação”, que mede quanto as previsões pioram quando um fator é embaralhado, e valores SHAP, que atribuem a cada fator uma contribuição para cada previsão individual. Ambas as abordagens apontaram para a mesma história: o primeiro componente principal dominou as decisões do modelo, com papéis secundários para alguns outros componentes. Ao analisar como esse fator principal é construído, a investigação mostrou que condições mais quentes (temperaturas mínima e máxima mais altas) aumentam fortemente a temperatura média prevista, enquanto ventos mais rápidos tendem a suprimi-la. Umidade e precipitação tiveram papéis mais modestos.

O que isso significa para pessoas e planejadores

Em termos simples, o estudo demonstra que é possível construir ferramentas de previsão de temperatura que sejam ao mesmo tempo precisas e compreensíveis. Para Zonguldak, modelos estatísticos simples e bem testados, guiados por fatores climáticos cuidadosamente destilados, tiveram desempenho tão bom quanto — ou melhor do que — sistemas de IA mais elaborados. As análises de explicabilidade confirmaram que os modelos se comportam de forma fisicamente plausível: respondem fortemente às mudanças na temperatura e de maneira contrabalançadora ao vento. Essa combinação de desempenho e transparência torna a abordagem um plano promissor para outras regiões que buscam monitorar tendências climáticas locais e desenhar estratégias de adaptação com base em evidências confiáveis e interpretáveis.

Citação: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

Palavras-chave: previsão de temperatura, mudança climática, aprendizado de máquina, IA explicável, análise de componentes principais