APRENDIZADO PROFUNDO PARA PREVISÃO DA INTENSIDADE DO VENTO: UM ESTUDO DE CASO NO ATLÂNTICO SUL COM DADOS DE REANÁLISE ERA5
Documento
Informações da Dissertação
Título
APRENDIZADO PROFUNDO PARA PREVISÃO DA INTENSIDADE DO VENTO: UM ESTUDO DE CASO NO ATLÂNTICO SUL COM DADOS DE REANÁLISE ERA5
Autor
Humberto Cesar Souza Lomeu
Resumo
A expansão da geração eólica offshore e a crescente necessidade de otimização operacional exigem previsões de vento ágeis e precisas, motivando a investigação de métodos baseados em dados como alternativa aos modelos físicos tradicionais. O objetivo desta dissertação é avaliar a eficácia das arquiteturas ConvLSTM e PredRNN na previsão espaço-temporal de curto prazo da intensidade do vento, tendo como referência os dados de reanálise ERA5. Estes dados foram utilizados para conduzir uma campanha experimental de uma região específica do Atlântico Sul, de forma a criar um estudo comparativo dos dois modelos com resultados para diferentes parâ- metros. Observou-se a superioridade da arquitetura ConvLSTM, atribuída à menor complexidade estrutural que favoreceu a estabilidade do treinamento, revelando que redes mais profundas, filtros maiores e maior resolução temporal reduziram o erro nas predições. Identificou-se também uma limitação de desempenho em áreas de alta complexidade física. Conclui-se que o ConvLSTM é mais rápido e apresenta menores erros absolutos globais, embora erre mais em regiões de maior complexidade física comparado ao PredRNN. Este estudo servirá de referência para comparação com outras arquiteturas ou dados de modelos regionais.
Abstract
The expansion of offshore wind generation and the growing need for operational optimization require agile and accurate wind forecasts, motivating the investigation of data-driven methods as an alternative to traditional physical models. The objective of this dissertation is to evaluate the efficacy of ConvLSTM and PredRNN architectures in short-term spatiotemporal wind intensity forecasting, using ERA5 reanalysis data as a reference. These data were used to conduct an experimental campaign in a specific South Atlantic region to create a comparative study of both models with results across different parameters. The superiority of the ConvLSTM architecture was observed, attributed to its lower structural complexity favoring training stability, revealing that deeper networks, larger filters, and higher temporal resolution reduced prediction errors. A performance limitation was also identified in areas of high physical complexity. It is concluded that ConvLSTM is faster and presents lower overall absolute errors, although it yields larger errors in physically complex regions compared to PredRNN. This study serves as a reference for comparisons with other architectures or regional model data.
Ano
2026
Orientadores
Alexandre Gonçalves Evsukoff