A economia azul inclui atividades como o turismo, a exploração de energia marinha e o tráfego marítimo que fornecem recursos para o crescimento económico e para a melhoria das condições de vida. Previsões precisas da altura das ondas são de vital importância para o bom funcionamento destas atividades económicas. Estas são também fundamentais para a emissão de alertas para proteger as comunidades costeiras, salvando vidas e poupando milhões de euros. Várias agências preveem ondas usando modelos numéricos baseados na física, na inteligência artificial e na assimilação de dados. No entanto, estes sistemas não são isentos de falhas e podem carecer de precisão, especialmente para condições de agitação extremas. Assim, é crucial criar metodologias que possam contribuir para o desenvolvimento de sistemas de previsão mais fiáveis. Neste sentido, a assimilação de dados provenientes de observações surge como uma ferramenta relevante. O chamado método de “previsão de erro” provou ser uma abordagem adequada para melhorar as previsões de diferentes variáveis de saída de modelos em locais específicos. Este método requer 1) calcular os erros entre os valores modelados e observados para eventos passados, 2) desenvolver técnicas capazes de prever esses erros e 3) incorporar as previsões do erro nos sistemas de previsão, aumentando a sua precisão. Os algoritmos de aprendizagem automática são ferramentas muito adequadas para a previsão de erros e melhoria da precisão de previsão devido à sua excelente capacidade de simular mecanismos não lineares que governam os processos físicos. Durante os últimos anos, com a expansão de tecnologias e recursos computacionais, observou-se um rápido aumento no big data marinho, promovendo a aplicação de técnicas de aprendizagem automática em estudos oceânicos e costeiros. Embora a integração da assimilação de dados e da aprendizagem automática tenha produzido resultados promissores noutras áreas, esta não foi profundamente utilizada no em sistemas de previsão de ondas. Assim, o principal objetivo deste projeto é explorar o uso das técnicas de assimilação de dados e de aprendizagem automática para melhorar a precisão da previsão das condições de agitação (até 24 horas), para o sistema Ibéria-Biscaia-Irlanda (IBI). A costa portuguesa foi selecionada como caso de estudo, existindo dados de agitação disponíveis tanto de observações como do sistema de previsão IBI, desde 2018 até ao presente. No total, oito boias-ondógrafo monitoram as condições das ondas ao longo da costa portuguesa, exposta a condições de agitação elevada. Estas condições extremas representam uma oportunidade única para explorar as capacidades
de assimilação de dados combinadas com modelos de aprendizagem automática para melhorar os sistemas de previsão. Dentre as diversas técnicas de aprendizagem automática a usar no projeto, serão exploradas as redes neuronais artificiais e os algoritmos de aprendizagem automática profunda (deep learning). As tarefas propostas são: 
T1 Recolha e preparação de dados: Serão obtidas as informações sobre ondas e atmosféricas recolhidas pelas oito boias ao longo da costa portuguesa, bem como os dados de ondas do sistema IBI. Além disso, também serão recolhidas previsões meteorológicas. Será calculado o erro de previsão das ondas do sistema IBI, para a altura e período de onda e para diferentes localizações, por comparação com os valores observados nas boias; T2 Pré-processamento de dados: os dados preparados na tarefa anterior serão convertidos num formato adequado para análise e treino do modelo. Após esta manipulação dos dados, eles serão divididos em conjuntos de dados de treino, validação e teste, dedicados ao desenvolvimento, avaliação e teste do modelo, respetivamente; T3 Seleção, treino e validação do modelo: As redes neuronais artificiais e os modelos de aprendizagem profunda serão treinados e validados para prever o erro do sistema de previsão de ondas com base em informações passadas. Vários parâmetros do espectro de ondas e variáveis atmosféricas serão examinados como variáveis de entrada. Durante o treino, os pesos e vieses das conexões da rede neural serão ajustados ou as representações hierárquicas dos recursos serão aprendidas. Durante a fase de validação, o ajuste dos hiperparâmetros será realizado para encontrar um desempenho adequado do modelo; T4 Teste e interpretação de modelos: Os modelos treinados e validados serão testados com dados independentes para obter uma estimativa imparcial das suas capacidades de generalização; T5 Implementação e monitorização: Os modelos desenvolvidos anteriormente serão implementados para prever erros de previsão e esses erros serão usados para ajustar os resultados do sistema IBI existente. Melhorando os sistemas de previsão através da inovação, multidisciplinaridade e partilha de conhecimento, o projeto apoia a realização de três importantes ODSs, construindo um futuro mais sustentável, resiliente e rico para as comunidades costeiras.

Palavras Chaves:

Artificial neuronal networks; Error-prediction; wave forecasts; Iberian-Biscay-Ireland system; Blue economy