Previsão do El Niño - oscilação sul (ENOS), utilizando redes neurais artificiais

Este trabalho apresenta uma abordagem baseada em redes neurais artificiais para a previsão do fenômeno El Niño–Oscilação Sul (ENOS), utilizando como variável-alvo o Índice Oceânico de El Niño (ONI). Foram avaliadas quatro arquiteturas — Multilayer Perceptron (MLP), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM) e CNN-LSTM — em horizontes de previsão definidos por defasagens temporais (lags) de 1 a 6 meses. Objetivou-se analisar o impacto do tempo de antecedência sobre a acurácia das previsões e delimitar o horizonte de utilidade prática dessas estimativas. As variáveis preditoras incluem indicadores oceanográficos e atmosféricos consolidados na literatura: anomalias de Temperatura da Superfície do Mar (TSM) na região Niño 3.4, Índice de Oscilação Sul (SOI), Índice Multivariado do El Niño versão 2 (MEI.v2) e Padrão de Oscilação do Pacífico Norte-Americano (PNA). Para evitar vazamento de dados, adotou-se a separação temporal entre os conjuntos de treino e teste, sem embaralhamento. Os resultados indicam que, para lag 1, os modelos alcançam coeficientes de determinação (R²) superiores a 0,94, demonstrando elevada capacidade de previsão em curto prazo. Com o aumento do lag, observa-se queda progressiva no desempenho, atingindo R² abaixo de 0,20 para lag 6. A análise comparativa, por meio de um score unificado baseado em R², MAE e RMSE normalizados, evidenciou a robustez da MLP em diferentes janelas temporais, embora a LSTM tenha se destacado em horizontes mais longos. Os resultados destacam o potencial das redes neurais na captura de padrões climáticos de curto prazo e suas limitações para previsões em escalas temporais estendidas.