CPA-IAI

CENTRO DE CIÊNCIAS ATMOSFÉRICAS
SENAI CIMATEC

Inteligência Artificial e Sustentabilidade Ambiental

O Centro de Ciências Atmosféricas (2CA) do SENAI CIMATEC nasceu a partir de uma demanda da indústria e sociedade: a sustentabilidade ambiental. Neste contexto, as ciências atmosféricas são fundamentais para a compreensão de fenômenos ambientais que variam desde a qualidade do ar/água, eventos extremos e até as mudanças climáticas. Avanços recentes em sensoriamento, comunicação, computação e Inteligência Artificial (IA) impulsionaram significativamente as ciências atmosféricas, permitindo a geração de vastos volumes de dados por meio de observações da Terra de longa duração e fornecendo ferramentas poderosas para analisar fenômenos atmosféricos e prever desastres naturais, surgindo desafios importantes associados à integração da IA na pesquisa atmosférica. Assim, em 2022 foi criado no Diretório dos Grupos de Pesquisa do CNPq o Laboratório de Ciências Atmosféricas e Computação Científica (CA2C), vinculado ao Programa de Pós-Graduação em Modelagem Computacional e Tecnologia Industrial (PPGMCTI) do SENAI CIMATEC, composto por pesquisadores de diferentes áreas, sendo apoiado pelo Centro de Supercomputação para Inovação Industrial (CS2I) (ver Figuras 1 e 2). Assim, o CPA-IAI é o ambiente natural na Universidade SENAI CIMATEC para pesquisas que integram a IA, computação de alto desempenho e ciências atmosféricas.

Figura 1: Entrada do CS2I.

Figura 1: Entrada do CS2I.

Figura 2: Sala de controle do CS2I: operação 24/7.

Figura 2: Sala de controle do CS2I: operação 24/7.

Como exemplo de atuação, a crescente demanda por fontes renováveis de energia e os impactos das mudanças climáticas impulsionam a necessidade de simulações atmosféricas cada vez mais precisas e em múltiplas escalas (macroescala, mesoescala e microescala), destacando suas aplicações no planejamento energético e na mitigação de riscos climáticos. A macroescala normalmente é discutida a partir dos Modelos de Circulação Global (MCGs), fundamentais para projeções de longo prazo e definição de políticas públicas. A mesoescala é explorada com ênfase em modelos como o WRF (Weather Research and Forecasting) e o MPAS-A (Model for Prediction Across Scales – Atmosphere), capazes de representar fenômenos regionais como brisas, frentes frias e efeitos orográficos, essenciais para estimar o potencial de energia solar e eólica. Já a microescala é abordada sob a perspectiva do CFD (Computational Fluid Dynamics) e do WRF em configuração LES (Large Eddy Simulation), permitindo análises urbanas detalhadas, incluindo conforto térmico, dispersão de poluentes e microgeração distribuída.

Assim surgem os desafios computacionais da resolução numérica das equações de Navier–Stokes, demandando o uso de supercomputadores híbridos (CPU–GPU), paralelismo massivo (MPI/OpenMP), técnicas de refinamento adaptativo e integração com IA incluindo PINNs (Physics-Informed Neural Networks) e GNNs (Graph Neural Networks). Essa convergência entre HPC (High Performance Computing) e IA aponta para um novo paradigma na modelagem atmosférica, capaz de reduzir custos computacionais, acelerar previsões e ampliar a assimilação de dados observacionais.

Os resultados teóricos e conceituais demonstram que a integração entre ciências atmosféricas, computação de alto desempenho e IA constitui a base para a expansão sustentável da matriz energética, especialmente nas áreas de energia solar e eólica, consolidando a modelagem multiescala como instrumento estratégico para o futuro energético e climático. Outros segmentos importantes que também se beneficiam diretamente das pesquisas aplicadas com a inteligência climática são mostrados na Figura 3.

Mineração

Mineração

Transporte

Transporte

Óleo e Gás

Óleo e Gás

Recursos Hídricos

Recursos Hídricos

Agronegócio

Agronegócio

Energias Renováveis

Energias Renováveis

Qualidade do Ar

Qualidade do Ar

Monitoramento de Barragens

Monitoramento de Barragens

Figura 3: Exemplos de segmentos beneficiados com a inteligência climática.

Um exemplo de aplicação de ferramentas de IA é mostrado na Figura 4 com o Earth-2 Studio (NVIDIA) para evento extremo de chuvas persistentes na Bahia em dezembro de 2021 (72h de precipitação).

Figura 4: Aplicação do NVIDIA Earth 2 para estimativa de chuvas persistentes na Bahia (24 a 27/12/2021).

Figura 4: Aplicação do NVIDIA Earth 2 para estimativa de chuvas persistentes na Bahia (24 a 27/12/2021).

Alguns resultados do projeto CNPq (Chamada CNPQ/MCTI 25/2022 - Linha 2 - Setor Elétrico) intitulado “Cenário presente e futuro do recurso eólico offshore no Brasil: ferramentas e aplicações” são mostrados na Figura 5. Este projeto teve como objetivo principal consolidar a avaliação do potencial eólico offshore do Brasil (Zona Econômica Exclusiva - ZEE) – considerando os cenários atuais e futuros – utilizando ferramentas computacionais de última geração (incluindo IA / Deep Learning Weather Prediction - DLWP), contribuindo para o planejamento, controle, tomada de decisão e exploração de novas áreas com alto potencial energético. Este estudo utiliza a técnica de downscaling dinâmico com os modelos WRF (Weather Research and Forecasting) e MPAS-A (Model for Prediction Across Scales - Atmosphere) para avaliar a distribuição espacial e as mudanças futuras na densidade de potência eólica (WPD) offshore no Brasil, no período de 2015 a 2050, sob os cenários CMIP6-2.6 (cenário otimista, onde as emissões caem muito rápido), CMIP6 SSP2-4.5 (emissões moderadas) e SSP5-8.5 (altas emissões).

Figura 5: (a) Área de estudo que abrange a ZEE brasileira offshore e setores costeiros regionais (b) Classificação de WPD em 100 m de altitude usando WRF e MPAS-A no período de 2030-2040.

(a)

Figura 5: (a) Área de estudo que abrange a ZEE brasileira offshore e setores costeiros regionais (b) Classificação de WPD em 100 m de altitude usando WRF e MPAS-A no período de 2030-2040.

(b)

Figura 5: (a) Área de estudo que abrange a ZEE brasileira offshore e setores costeiros regionais (b) Classificação de WPD em 100 m de altitude usando WRF e MPAS-A no período de 2030-2040.

Projeção: IA Pura, Modelagem Numérica Tradicional e Modelos Híbridos

A projeção para os próximos 10 anos aponta para uma revolução híbrida na modelagem atmosférica global (ver Figura 6). Modelos puros de IA dominarão as previsões de curto e médio prazo pela velocidade e baixo custo computacional, enquanto a Modelagem Híbrida (IA + Modelos Numéricos) se consolidará como o padrão para previsões de longo prazo e sustentabilidade ambiental, unindo as leis da física à eficiência do aprendizado de máquina.

Figura 6: Projeção de adoção de ferramentas de IA e modelagem numérica (2026-2036).

Figura 6: Projeção de adoção de ferramentas de IA e modelagem numérica (2026-2036).

i) Dinâmica dos Modelos e Horizontes de Previsão

  • •Curto Prazo (Horas a Dias): IA Pura já lidera em velocidade. Modelos treinados com reanálises climáticas globais geram previsões locais de alta resolução em segundos. Isso otimiza o monitoramento imediato do tempo e do ar (alertas de tempestades severas e dispersão de poluentes urbanos).
  • •Médio Prazo (Semanas): Transição acelerada para a Modelagem Híbrida. A IA acelera os cálculos cinemáticos e termodinâmicos complexos, reduzindo drasticamente a pegada de carbono dos supercomputadores necessários para rodar simulações meteorológicas tradicionais.
  • •Longo Prazo (Meses a Décadas - Clima): Domínio da Modelagem Numérica e Híbrida. Modelos puramente estatísticos baseados em IA tendem a divergir ou quebrar leis de conservação física (como energia e massa) em horizontes distantes. A hibridização usa os modelos numéricos como âncoras da física real (conservação de energia) e a IA para parametrizar microfísica de nuvens e interações do solo de forma ultra-rápida.

ii) Impacto na Sustentabilidade Ambiental

  • •Água (Recursos Hídricos): Previsões híbridas mais precisas de vazão de rios e taxas de evapotranspiração otimizam a gestão de reservatórios e a segurança hídrica sob cenários de seca extrema.
  • •Ar (Qualidade): Acoplamento de IA a sensores locais permite prever picos de poluição atmosférica em microescala urbana com dias de antecedência, direcionando políticas públicas de saúde.
  • •Tempo (Eventos Extremos): Previsões por conjunto (probabilísticas) baseadas em IA reduzem o tempo de resposta para evacuações em desastres climáticos de dias para horas.
  • •Clima (Mitigação): Modelagem climática de longo prazo de baixo custo computacional permite que países em desenvolvimento simulem seus próprios cenários regionais de transição energética e vulnerabilidade agrícola de forma autônoma.

Portanto, o futuro das ciências atmosféricas com a IA promete revolucionar a previsão do tempo e a modelagem climática, gerando projeções mais precisas por uma fração do custo computacional atual. Para o desenvolvimento sustentável, isso se traduz em otimização em tempo real da geração de energia renovável (eólica e solar), alertas antecipados de desastres climáticos extremos para proteger populações, e diagnósticos precisos que orientam estratégias de mitigação e adaptação agrícola a longo prazo.

Pesquisadores

  • •Allan Rodrigues Silva (SENAI CIMATEC – 2015/UFRN)
  • •Anderson da Silva Palmeira (CODEBA – 2023/SENAI CIMATEC)
  • •Antônio José da Silva Neto (IPRJ/UERJ – 1994/NCState USA)
  • •Armando Temporal Neto (AXIA ENERGIA – 2025/SENAI CIMATEC)
  • •Davidson Martins Moreira (SENAI CIMATEC – 2000/UFRGS - Coordenador)
  • •Diogo Nunes da Silva Ramos (SENAI CIMATEC – 2017/INPE - Coordenador Adjunto)
  • •Francisco José Lopes de Lima (SENAI CIMATEC – 2015/INPE)
  • •Hallan Souza de Jesus (2023/INPE)
  • •Jose Vicente Cardoso Santos (UNEB – 2020/SENAI CIMATEC)
  • •Noéle Bissoli Perini de Souza (UFES – 2021/UFES)
  • •Paulo Henrique Farias Xavier (UCSAL – 2021/SENAI CIMATEC)
  • •Pedro Mário Cruz e Silva (NVIDIA – 2004/PUCRJ)
  • •Rizzieri Pedruzzi (UFV – 2020/UFMG)
  • •Thalyta Soares dos Santos (SENAI CIMATEC – 2015/UFRN)
  • •Yasmin Kaore Lago Kitagawa (CGTI/MCTI – 2022/UFES)

Alunos de Doutorado (em andamento)

  • •Carolina Sacramento Vieira (SENAI CIMATEC)
  • •Jose Roberto Dantas da Silva Junior (SENAI CIMATEC/BYD)
  • •Katty Santos da Silva Marques (SENAI CIMATEC/CODEBA)
  • •Matheus Henrique Silva Siqueira (IPRJ/UERJ)
  • •Thyrso Munhoz Queiroz Gesta de Araújo (SENAI CIMATEC/EMBRAER)

Alunos de Mestrado (em andamento)

  • •Luan Santos de Oliveira Silva (SENAI CIMATEC/UFAL)
  • •Luana do Nascimento Vasconcelos (UFAL)

Estágio de Pós-Doutorado (em andamento)

  • •Georgynio Yossimar Rosales Aylas (SENAI CIMATEC/CPA-IAI)
  • •Sardar Muhammad Hussain (SENAI CIMATEC/CPA-IAI)

Artigos relacionados (últimos 5 anos)

  1. Araujo, M. L. S. et al., 2023. Wind Power Forecasting in a Semi-Arid Region Based on Machine Learning Error Correction. Wind 3(4), 496-512.
  2. Aylas, G. Y. R. et al., 2026. Simulation of an Anomalously high Wind Gust Event in São Paulo: A Comparison of the MPAS-A and WRF Models. Theoretical and Applied Climatology.
  3. Costa, D. A. et al., 2024. Water Availability and Extreme Events Under Climate Change Scenarios in an Experimental Watershed of the Brazilian Atlantic Forest. Science of the Total Environment 946, 174417.
  4. Costa, D. A. et al., 2024. Water Quality Estimates Using Machine Learning Techniques in an Experimental Watershed. Journal of Hydroinformatics 26, 2798-2814.
  5. Kitagawa, Y. K. L. et al., 2022. Coastal-urban Meteorology: A Sensitivity Study Using the WRF-urban Model. Urban Climate 44, 101185.
  6. Kitagawa, Y. K. L. et al., 2022. Evaluation of the WRF-ARW Model During an Extreme Rainfall Event: Subtropical Storm Guará. Atmosfera 35, 651-672.
  7. Kitagawa, Y. K. L. et al., 2022. Exposure and Dose Assessment of School Children to Air Pollutants in a Tropical Coastal-urban Area. Science of the Total Environment 803, 149747.
  8. Lima, F. J. L. et al., 2025. Evaluation of the Short and Medium-term Forecast Quality of Global Solar Irradiance from GFS-MOS and WRF - Solar Models for the Northeast Region of Brazil. Energy Reports 13, 2187-2203.
  9. Nascimento, E. G. S. et al., 2023. A Transformer-based Deep Neural Network with Wavelet Transform for Forecasting Wind Speed and Wind Energy. Energy 277, 127678.
  10. Nobre, P. et al. 2025. COP30 - O papel da inteligência artificial no avanço da previsão de extremos de tempo e clima: Sistema Inteligente de Previsão de Extremos Climáticos. Parcerias Estratégicas (IMPRESSO) 30, 111-138.
  11. Oliveira, M. et al., 2025. Mathematical Modelling and Simulations for Microplastic Environmental Research: a Systematic Review. Environmental Reviews 33, 1-18.
  12. Palmeira, A. S. et al., 2022. Long-Term Correlations and Cross-Correlations in Meteorological Variables and Air Pollution in a Coastal Urban Region. Sustainability 14, 14470.
  13. Pedruzzi, R. et al., 2023. Review of Mapping Analysis and Complementarity Between Solar and Wind Energy Sources. Energy 283, 129045.
  14. Sales, D. S. et al., 2026. A Deterministic Calibration Strategy for MOHID-Land Based on Soil Parameter Uncertainty. Eng 7(4), 155-1-51.
  15. Sales, D. S. et al., 2026. Enhancing River Flow Predictions in MOHID-Land Through Integration of Gridded Soil Data and Hydraulic Parameters Using the MOHID SOIL TOOL. Environmental Modelling & Software 196, 106751-1-20.
  16. Sales, D. S. et al., 2025. Sensitivity Analysis of Soil Hydraulic Parameters for Improved Flow Predictions in an Atlantic Forest Watershed Using the MOHID-Land Platform. Eng 6(4), 65-1-29.
  17. Silva, D. G. et al., 2023. WRF-Hydro for Streamflow Simulation in the MATOPIBA Region within the Tocantins/Araguaia River Basin-Brazil: Implications for Water Resource Management. Water 15, 3902.
  18. Souza, N. B. P. et al., 2023. Performance Evaluation of the WRF Model in a Tropical Region: Wind Speed Analysis at Different Sites. Atmosfera 36, 253-277.
  19. Souza, N. B. P. et al., 2022. Long-range Correlations of the Wind Speed in a Northeast Region of Brazil. Energy 243, 122742.
  20. Souza, N. B. P. et al., 2022. Wind Mapping Using the Mesoscale WRF Model in a Tropical Region of Brazil. Energy 240, 122491.
  21. Temporal-Neto, A. et al., 2025. PIN: A New Metric to Evaluate Solar Irradiance Forecast Models. Energy Reports 13, 2307-2315.
  22. Vieira, L. W. et al., 2022. Operational Guide to Stabilize, Standardize and Increase Power Plant Efficiency. Applied Energy 315, 118973.
  23. Weyll, A. L. C. et al., 2024. Medium-term Forecasting of Global Horizontal Solar Radiation in Brazil Using Machine Learning-based Methods. Energy 300, 131549.

Livros

  1. Lugon, J. et al., 2026. Inverse Problems in the Environmental Modelling of Rivers and Estuaries - Studies in Systems, Decision and Control. Springer, 168p.