Modelo de séries temporais: comparação de modelos preditivos da evolução da concentração de CO2 na atmosfera

Abstract

Este trabalho tem por objetivo modelar as séries temporais das concentrações de CO2, utilizando técnicas estatísticas e de aprendizado de máquina, a fim de identificar padrões, tendências e realizar previsões futuras. O efeito estufa, que tem sido intensificado pela crescente concentração de gases como CO2 na atmosfera, representa um dos maiores desafios ambientais da atualidade. Esses gases desempenham um papel fundamental na alteração do clima global, e sua acumulação tem consequências diretas para o meio ambiente e a saúde humana. A necessidade de enfrentar essa questão se torna cada vez mais premente à medida que os impactos das mudanças climáticas se tornam mais visíveis e abrangentes. A modelagem, que envolveu a utilização dos modelos ARIMA e de suavização exponencial, mostrou a eficácia de abordagens quantitativas na previsão de fenômenos ambientais. O modelo ARIMA destacou-se pela sua capacidade de fornecer previsões mais precisas, enquanto a suavização exponencial se mostrou uma alternativa válida em contextos onde a simplicidade é necessária.

This study applies statistical and machine learning techniques to model time series of atmospheric CO2 concentrations. The goal is to identify underlying patterns and trends, and to generate accurate forecasts for the future. As a key driver of climate change, understanding CO2 levels is essential for shaping environmental policy and decision-making. The research compares the performance of ARIMA and exponential smoothing models in forecasting CO2 concentrations. The results show that ARIMA models produced more accurate predictions, while exponential smoothing provided a simpler, yet effective alternative. These findings highlight the value of quantitative methods in analyzing environmental time series data and contribute to a deeper understanding of the complex dynamics of climate change.