Introdução: Moçambique está entre os países mais vulneráveis a ciclones tropicais no sudoeste do Oceano Índico, sendo grande preocupação dos meteorologistas por ser dos fenómenos mais devastadores, afetando comunidades, infraestruturas e economia. Entre 2004 e 2023, foram registados 189 ciclones tropicais no sudoeste do Oceano Índico (Meteo France/La Réunion, 2023). Os alertas, geralmente emitidos com 24 a 48 horas de antecedência, dificultam a evacuação segura das populações.

Objectivo: O estudo visa explorar o potencial dos algoritmos de aprendizagem de máquina (inteligência artificial), na previsão da intensidade dos ciclones tropicais com até 120 horas de antecedência, através da aplicação de redes neurais profundas especializadas em séries temporais.

Metodologia: Serão utilizados dados históricos de ciclones extraídos do Best Track Archive for Climate Stewardship (IBTrACS) referentes ao período de 1995 a 2024. As variáveis consideradas incluirão latitude, longitude, pressão do centro, velocidade máxima do vento, direção e velocidade de deslocamento, entre outros parâmetros, colhidos em intervalos de 3 horas. Os modelos serão treinados com sequências temporais desses dados meteorológicos e oceânicos, permitindo a antecipação da evolução da velocidade do vento e da categoria do ciclone.

Resultados Esperados: Espera-se que os modelos desenvolvidos sejam capazes de antecipar, com elevada precisão, a evolução da velocidade do vento e a categoria dos ciclones. A validação dos modelos será realizada com base em janelas de tempo deslizantes, utilizando métricas quantitativas como a Raiz do Erro Quadrático Médio (RMSE), o Erro Médio Absoluto (MAE) e o Coeficiente de Determinação (R²). Essas métricas permitirão comparar o desempenho entre diferentes arquiteturas e identificar os modelos com maior precisão preditiva.

Conclusão: Deste modo, espera-se contribuir para o fortalecimento dos sistemas de alerta precoce, melhorando a capacidade de preparação e resposta das autoridades e comunidades vulneráveis, trazendo confiabilidade para prever eventos futuros e permitindo uma melhor gestão de desastre.

Palavras-chave: Aprendizagem de Máquina, Ciclones Tropicais, Previsão, Intensidade.