Modelagem Estatística para Análise Preditiva de Dados Meteoceanográficos do Porto de Suape.

Resumo

O canal de acesso, o berço de atracação e a bacia de evolução portuária são afetados diretamente pela ação das ondas, correntes e marés, resultando em processos de erosão e deposição de sedimentos. Esses efeitos interferem negativamente na navegabilidade das embarcações devido ao assoreamento que pode ocorrer nessas áreas. Uma análise hidrodinâmica mais detalhada possibilita o entendimento das mudanças no comportamento das águas, visando, dessa forma, mitigar tais efeitos. Atualmente, o uso de inteligência artificial se tornou um agente facilitador capaz de gerar um modelo preditivo a partir de um banco de dados com variáveis relacionadas ao comportamento das ondas no canal interno do Porto de SUAPE. O Complexo Industrial Portuário de SUAPE, localizado a 40 quilômetros de distância do Recife, apresenta-se como o porto público mais estratégico do Nordeste, tendo em vista que 90% do PIB (Produto Interno Bruto) da região encontra-se em um raio de 800 quilômetros do porto. SUAPE é considerado um dos maiores projetos de desenvolvimento da economia do país (SUAPE, 2024). Neste estudo, aplicamos conceitos de séries temporais para modelar variáveis de hidrodinâmica. Para isso, utilizamos o Google Colab juntamente com a linguagem Python e as bibliotecas Pandas, Matplotlib, Scikit-learn e NumPy, além de dois bancos de dados pré-existentes, gerados no período de 2021 a 2024, com dados gerados a cada 5 minutos e outro com dados gerados a cada 1 hora. As variáveis utilizadas foram: intensidade da corrente superficial, altura da maré, direção de propagação da onda e altura da onda, com o objetivo de gerar um modelo preditivo e entender o futuro comportamento da maré, viabilizando o fluxo de embarcações. Uma modelagem utilizando o modelo preditivo ARIMA foi feita. No entanto, por limitações do Google Colab, não foi possível a geração do modelo, pois o limite de memória RAM foi atingido, interrompendo a operação e impossibilitando a visualização da acurácia e da previsão dos resultados. Como alternativa, testou-se o modelo Random Forest, que permitiu a previsibilidade dos dados, mas não apresentou métricas tão boas quanto o esperado, demonstrando uma alta disparidade entre os valores reais e os valores previstos, provavelmente por causa da natureza da série e dos parâmetros utilizados para a modelagem computacional dos dados. O erro (RMSE) foi alto. Dessa forma, o estudo realizado até o presente momento mostrou que o modelo gerado a partir da metodologia utilizada não apresentou um bom desempenho estatístico, sendo necessários novos estudos envolvendo outras metodologias.