Ricardo Alexandre (2026)

DISSERTAÇÃO RICARDO ALEXANDRE.pdf
Documento PDF (3.3MB)

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS – ICAT
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA
CAMPUS A. C. SIMÕES

RICARDO ALEXANDRE GOMES DOS SANTOS

PREVISÃO DE NEVOEIRO NO AEROPORTO ZUMBI DOS PALMARES COM DADOS
METAR E GOES-16 USANDO XGBOOST

MACEIÓ – ALAGOAS
2026

RICARDO ALEXANDRE GOMES DOS SANTOS

PREVISÃO DE NEVOEIRO NO AEROPORTO ZUMBI DOS PALMARES COM DADOS
METAR E GOES-16 USANDO XGBOOST

Trabalho de Dissertação apresentado ao Programa de
Pós-graduação em Meteorologia da Universidade
Federal de Alagoas, como requisito parcial à obtenção
do
título
de
Mestre
em
Meteorologia.
Orientador: Prof. Dr.Heliofábio Barros Gomes
Coorientador: Prof. Dr. Glauber Lopes Mariano

MACEIÓ - ALAGOAS
2026

CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET-UFAL-MS-216.
PREVISÃO DE NEVOEIRO NO AEROPORTO ZUMBI DOS PALMARES COM DADOS
METAR E GOES-16 USANDO XGBOOST

RICARDO ALEXANDRE GOMES DOS SANTOS
Dissertação submetida ao colegiado do Curso de
Pós-Graduação
em
Meteorologia
da
Universidade Federal de Alagoas - UFAL, como
parte dos requisitos necessários à obtenção do
grau de Mestre em Meteorologia.
Aprovado pela Banca Examinadora composta por:

Prof. Dr. Heliofábio Barros Gomes
(Orientador)

Prof. Dr. Glauber Lopes Mariano
(Coorientador)

Prof. Dr. Fabrício Daniel dos Santos Silva
(Membro Interno)

Prof. Dr. Jório Bezerra Cabral Júnior
(Membro Externo)
JULHO/2026

Dedico este trabalho ao Pai Celestial, por ser a
luz e a fortaleza que guiaram cada passo desta
jornada, concedendo-me sabedoria,
perseverança e fé nos momentos de maior
desafio.
À minha esposa e aos meus filhos, com todo o
meu amor e gratidão, pela compreensão,
paciência e apoio inabalável durante este
período de intensa dedicação. Este fruto
também é de vocês.
Aos mestres e professores do Instituto de
Ciências Atmosféricas (ICAT/UFAL), pela
excelência no ensino, pela dedicação à
formação científica e pelas valiosas
contribuições para o desenvolvimento deste
trabalho.

AGRADECIMENTOS
Primeiramente a Deus, meu Pai Celestial eterno. Força que nos momentos mais difíceis desta
caminhada acadêmica me iluminou e me deu o discernimento necessário para caminhar.
À minha família, esposa e filhos Marivânia, Mariana, Ricardo Jr. e Erick, que estiveram e
estão sempre me apoiando e incentivando. Amo vocês!
À minha saudosa mãe, Sônia, que sempre acreditou e me apoiou à sua maneira. Com
simplicidade e carinho, e muitas vezes com a firmeza e o rigor que a vida nos cobra.
A todos os amigos que de uma forma direta ou indireta, contribuíram para minha jornada
acadêmica e para que este trabalho pudesse ser realizado, meus sinceros agradecimentos.
Ao meu orientador, Prof. Dr. Heliofábio Barros Gomes pela parceria, atenção e compreensão
desde o início do mestrado.
Ao meu coorientador, Prof. Dr. Glauber Lopes Mariano, pela ajuda e contribuição
inestimáveis.
Ao meu amigo, Prof. Dr. Ricardo F. Carlos Amorim, pela presença constante e incentivo ao
retorno à academia após um longo período. Gratidão por sua confiança.
À banca examinadora, pela disponibilidade e pelas valiosas sugestões que engrandeceram este
trabalho e aprimoraram a qualidade da pesquisa.
Aos colegas de curso e de laboratório, em especial ao João Acyoli, pelos momentos de
aprendizado e convivência, que tornaram esta jornada uma rica oportunidade.
Aos professores, servidores e alunos do ICAT, pelo conhecimento transmitido, pelos
momentos agradáveis em conversas produtivas e pelo compromisso com a tradicional
excelência acadêmica, contribuição decisiva na minha formação.
Este trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de
Nível Superior – Brasil (CAPES) – Código de Financiamento 001.

E eu vos digo a vós: Pedi, e dar-sevos-á; buscai, e achareis; batei, e abrirse-vos-á. Porque qualquer que pede recebe;
E quem busca, acha; e a quem bate abrir-se-lhe-á.
Lucas 10 : 9 - 10

RESUMO
Fenômenos Meteorológicos de Alto Impacto (High Impact Weather - HIW), como o
nevoeiro e a baixa visibilidade, representam uma ameaça significativa à segurança
operacional e à eficiência econômica da aviação global, sendo uma das principais causas
de atrasos no gerenciamento de tráfego aéreo. A aviação moderna, embora altamente
segura, permanece vulnerável ao nevoeiro e às nuvens estratificadas de baixos níveis, cuja
formação complexa — especialmente em ambientes costeiros tropicais — reduz
drasticamente a visibilidade e afeta de maneira crítica a segurança e a eficiência
operacional, exigindo métodos robustos de nowcasting capazes de distinguir assinaturas
espectrais sutis captadas pelo GOES-16. Nesse contexto, o estudo apresenta uma proposta
metodológica e analítica para a detecção e previsão de nuvens baixas e nevoeiro (FLC) no
Aeroporto Internacional Zumbi dos Palmares (SBMO), integrando sensoriamento remoto
orbital e aprendizado de máquina. A identificação de fenômenos de baixa visibilidade
fundamenta-se em uma análise multiespectral utilizando o sensor Advanced Baseline
Imager (ABI) do satélite GOES-16. A metodologia emprega as bandas C02 (0,64 μm) e
C03 (0,86 μm) para medir a refletância e diferenciar nuvens de gotículas de água da
vegetação circundante. Complementarmente, utiliza-se a Diferença de Temperatura de
Brilho ( BTD DIURNO = BT C 07 - BT C 13 ) para distinguir nuvens baixas de nuvens de gelo, cujos
valores se tornam fortemente positivos devido à alta refletância solar das gotículas de
água. A detecção baseia-se na variação de emissividade entre o nevoeiro e outras
superfícies, calculada pela BTD NOTURNO = BT C 07 - BT C 13. Valores negativos, tipicamente
entre 0 K e -15 K, caracterizam a presença de água líquida em baixos níveis. Foram
desenvolvidas features meteorológicas específicas, como o BTD_Fog_Night,
BTD_WaterVapor e Refl_Diff, para capturar assinaturas radiativas distintas. A base de
dados integrou registros METAR de 2005 a 2025 e dados do GOES-16 de 2017 a 2024.
Utilizou-se o classificador XGBoost (eXtreme Gradient Boosting), selecionado por seu
desempenho superior (ROC AUC de 0,7532). Devido à raridade dos eventos de nevoeiro
(0,04% da amostra), aplicou-se a técnica SMOTE (Synthetic Minority Over-sampling
Technique) e o ajuste de pesos para mitigar o viés do modelo. O limiar de classificação
foi calibrado em τ = 0,0707 para priorizar a segurança aeronáutica, minimizando Falsos
Negativos em detrimento de uma maior taxa de Falsos Alarmes. O estudo enfatiza a
necessidade de "âncoras físicas" para validar os dados orbitais. A depressão do ponto
de orvalho (Spread = T - Td) é utilizada como indicador de saturação, com limiar
crítico ≤ 2°C. Devido à ausência de radiossondagem local, utilizaram-se dados da
estação de Natal (SBNT) para caracterizar inversões térmicas e estabilidade
atmosférica de escala sinótica na costa nordestina. A análise de casos reais (junho de
2022 e janeiro de 2025) demonstrou que, embora o modelo apresente alta precisão em
nevoeiros densos (probabilidade de até 99,14%), ele enfrenta limites físicos em eventos
de pequena espessura óptica. Em nevoeiros rasos, a radiação do solo pode mascarar
a assinatura espectral das gotículas, resultando em falhas de detecção.
Consequentemente, propõe-se um sistema híbrido onde o dado de superfície (Spread)

tenha precedência hierárquica sobre o monitoramento orbital em condições de
saturação crítica.
Palavras-chave: Nevoeiro; Sensoriamento Remoto; GOES-16; XGBoost; Meteorologia
Aeronáutica.
ABSTRACT
High Impact Weather (HIW) phenomena, such as fog and low visibility, represent a
significant threat to operational safety and economic efficiency in global aviation, serving
as a primary cause of delays in air traffic management. Modern aviation, although highly
secure, remains vulnerable to fog and low-level stratified clouds, whose complex
formation—particularly in tropical coastal environments—drastically reduces visibility
and critically impacts safety and operational efficiency. This necessitates robust
nowcasting methods capable of distinguishing subtle spectral signatures captured by the
GOES-16 satellite. In this context, the study presents a methodological and analytical
proposal for the detection and forecasting of Fog and Low Clouds (FLC/LCF) at Zumbi
dos Palmares International Airport (SBMO), integrating orbital remote sensing and
machine learning. The identification of low visibility phenomena is grounded in a
multispectral analysis using the Advanced Baseline Imager (ABI) sensor of the GOES-16
satellite. The methodology employs bands C02 (0.64 μm) and C03 (0.86 μm) to measure
reflectance and differentiate water droplet clouds from surrounding vegetation.
Additionally, the Daytime Brightness Temperature Difference (BTDDaytime = BT_C13 BT_C07) is utilized to distinguish low clouds from ice clouds. Detection is further based
on emissivity variations between fog and other surfaces, calculated via BTDNighttime =
BT_C13 - BT_C07. Negative values, typically ranging between 0 K and -15 K,
characterize the presence of liquid water at low levels. Specific meteorological features,
such as BTD_Fog_Night, BTD_WaterVapor, and Refl_Diff, were developed to capture
distinct radiative signatures. The database integrated METAR records from 2005 to 2025
and GOES-16 data from 2017 to 2024. The XGBoost (eXtreme Gradient Boosting)
classifier was selected for its superior performance, achieving a ROC AUC of 0.7532.
Due to the extreme rarity of fog events (0.04% of the sample), the SMOTE (Synthetic
Minority Over-sampling Technique) and weight adjustment were applied to mitigate
model bias. The classification threshold was calibrated at τ = 0.0707 to prioritize
aeronautical safety, minimizing False Negatives at the expense of a higher False Alarm
rate. The study emphasizes the requirement for "physical anchors" to validate orbital
data. Dew point depression (Spread = T - Td) is used as a saturation indicator, with a
critical threshold of ≤ 2°C. Due to the absence of local radiosounding, data from the
Natal station (SBNT) were used to characterize thermal inversions and synoptic-scale
atmospheric stability along the northeastern coast. Analysis of real-world cases (June
2022 and January 2025) demonstrated that while the model exhibits high accuracy in
dense fog (probabilities up to 99.14%), it encounters physical limitations in events with
low optical thickness. In shallow fog, ground radiation can mask the spectral signature
of the droplets, leading to detection failures. Consequently, the study proposes a
hybrid system where surface data (Spread) holds hierarchical precedence over orbital
monitoring during conditions of critical saturation.

Keywords: Fog; Remote Sensing; GOES-16; XGBoost; Aeronautical Meteorology.
LISTA DE FIGURAS
FIGURA 1.

Localização da área de estudo destacando o Estado de
Alagoas, com destaque para os municípios de Maceió e
Rio Largo. Fonte: Elaborado pelo autor (2025).

FIGURA 2.

Carta de aeródromo (Aerodrome Chart - ADC) do
Aeroporto Internacional Zumbi dos
Palmares
apresentando as principais estruturas e espaços do
aeródromo. Fonte: https://aisweb.decea.mil.br/?i=cartas

FIGURA 3.

Carta de Aproximação por Instrumentos (Instrument
Approach Chart – IAC) do Aeroporto Internacional Zumbi
dos Palmares apresentando o arco DME de 11 milhas
náuticas (22,4 km) de raio aeródromo. Fonte:
https://aisweb.decea.mil.br/?i=cartas

FIGURA 4.

Perímetro da área de estudo. Espaço aéreo de 11 NM (20,4
km) ao redor do aeroporto. Fonte: Elaborado pelo autor
(2025).

FIGURA 5.

Análise de Importância de Features (XGBoost) com a
importância de cada uma das bandas espectrais do ABI.
Fonte: Elaborado pelo autor (2025).

FIGURA 6.

EDA: Distribuição da Variável Target (Nevoeiro) para o
período de 2017 a 2024, onde a classe 0 (não nevoeiro)
apresenta uma contagem de 65.641, sendo a classe
majoritária com 99,96 %, e a classe 1 (nevoeiro) apresenta
uma contagem de 27, sendo a classe minoritária (evento
raro) com 0,04%. Fonte: Elaborado pelo autor (2025).

FIGURA 7.

Evolução Temporal da visibilidade horizontal horária no
Aeroporto Zumbi dos Palmares no dia 8 de junho de 2022.
Fonte: Elaborado pelo autor (2025).

FIGURA 8.

Diferença de Temperatura de Brilho (BTD) e Reflectância
Diferencial para 8 de junho de 2022. Fonte: Elaborado pelo
autor (2025).

Diagrama termodinâmico SkewT-LogP de Natal (SBNT 08/06/2022 12Z). Fonte: Wyoming Weather Web acessado
em 10 de setembro de 2025, às 21:20.

FIGURA 9.

Evolução Temporal da visibilidade horizontal horária no
Aeroporto Zumbi dos Palmares no dia 11 de junho de
2022. Fonte: Elaborado pelo autor (2025).

FIGURA 11.

Diferença de Temperatura de Brilho (BTD) e Reflectância
Diferencial para 11 de junho de 2022. Fonte: Elaborado
pelo autor (2025).

FIGURA 12.

Diagrama termodinâmico SkewT-LogP de Natal (SBNT 11/06/2022 12Z). Fonte: Wyoming Weather Web acessado
em 10 de setembro de 2025, às 21:20.

FIGURA 13.

Evolução temporal da visibilidade horizontal horária no
Aeroporto Zumbi dos Palmares no dia 23 de junho de
2022. Fonte: Elaborado pelo autor (2025).

Diferença de Temperatura de Brilho (BTD) e Reflectância
Diferencial para 23 de junho de 2022. Fonte: Elaborado
pelo autor (2025).

FIGURA 15.

Diagrama termodinâmico SkewT-LogP de Natal (SBNT 23/06/2022 12Z). Fonte: Wyoming Weather Web acessado
em 10 de setembro de 2025, às 21:20.

FIGURA 16.

Evolução temporal da visibilidade horizontal horária no
Aeroporto Zumbi dos Palmares no dia 25 de junho de
2022. Fonte: Elaborado pelo autor (2025).

FIGURA 17.

Diferença de Temperatura de Brilho (BTD) e Reflectância
Diferencial para 25 de junho de 2022. Fonte: Elaborado
pelo autor (2025).

FIGURA 18.

Diagrama termodinâmico SkewT-LogP de Natal (SBNT 25/06/2022 12Z). Fonte: Wyoming Weather Web acessado
em 10 de setembro de 2025, às 21:20.

FIGURA 19.

Diferença de Temperatura de Brilho (BTD) e Reflectância
Diferencial para 6 de janeiro de 2025. Fonte: Elaborado
pelo autor (2025).

FIGURA 20.

Diagrama termodinâmico SkewT-LogP de Natal (SBNT 06/01/2025 12Z). Fonte: Wyoming Weather Web acessado
em 10 de setembro de 2025, às 21:20.

FIGURA 10.

FIGURA 14.

LISTA DE TABELAS
TABELA 1.

Apresentação das bandas do ABI e suas características
utilizadas neste estudo. Fonte: O autor (2025).

TABELA 2.

O uso da BTDNoturno como um discriminador eficaz.

TABELA 3.

Sequência de Processamento de Dados (Pré-processamento
e Features). Este representa as etapas de preparação e
unificação dos dados brutos (METAR e GOES-16) até a
criação do dataset final pronto para a modelagem.

Sequência de Treinamento e Otimização do Modelo de
Machine Learning. Este detalha o fluxo de trabalho desde a
divisão dos dados até a validação final do modelo
XGBoost, com foco nas técnicas para lidar com o
desbalanceamento de classes.

TABELA 4.

TABELA 5

Resultados da previsão obtidos do modelo XGboost a partir
dos dados de superfície (METAR) e do GOES-16 para 8 de
junho de 2022 em SBMO.

TABELA 6

Resultados da previsão obtidos do modelo XGboost a partir
dos dados de superfície (METAR) e do GOES-16 para 11
de junho de 2022 em SBMO.

TABELA 7

Resultados da previsão obtidos do modelo XGboost a partir
dos dados de superfície (METAR) e do GOES-16 para 23
de junho de 2022 em SBMO.

TABELA 8

Resultados da previsão obtidos do modelo XGboost a partir
dos dados de superfície (METAR) e do GOES-16 para 25
de junho de 2022 em SBMO.

TABELA 9

Resultados da previsão obtidos do modelo XGboost a partir
dos dados de superfície (METAR) e do GOES-16 para 6 de
janeiro de 2025 em SBMO.

LISTA DE ABREVIATURAS E SIGLAS
ABI

Advanced Baseline Imager (Imageador de Linha de Base
Avançado)

ACHA

ABI Cloud Height Algorithm (Algoritmo de Altura de Nuvens
ABI)

ADC

Aerodrome Chart (Carta de Aeródromo)

AOD

Profundidade Óptica de Aerossóis (Aerosol Optical Depth)

ASOS

Automatic Surface Observation System (Sistema Automático de
Observação de Superfície)

AutoML

Machine Learning for Optimization (Aprendizado de Máquina para
Otimização)

BRAMS

Brazilian developments on the Regional Atmospheric Modeling
System (Desenvolvimentos Brasileiros no Sistema de Modelagem
Atmosférica Regional)

BTDs/
DTBs

Brightness Temperature Differences (Diferenças de Temperatura
de Brilho)

CCL

Cloud Cover Layer (Camada de Cobertura de Nuvens)

CCN

Cloud Condensation Nucleus (Núcleo de Condensação de
Nuvens)

CFACT

Cold Fog Amongst Complex Terrain (Nevoeiro Frio Entre Terrenos
Complexos)

C-FOG

Toward Improving Coastal Fog Prediction (Melhoria na Previsão
de Nevoeiro Costeiro)

CLP

Camada Limite Planetária

CMI

Cloud-Moisture Imagery (Imageamento de Nuvem e Umidade)

DECEA

Departamento de Controle do Espaço Aéreo

DTCEAMO

Destacamento de Controle do Espaço Aéreo - Maceió

FLC

Fog and Low Clouds (Nevoeiro e Nuvem Baixa)

Falso Positivo

Falso Negativo

FY-3D

FengYun-3D (Satélite chinês)

GOES-16

Geostationary Operational Environmental Satellite – 16 (Satélite
Ambiental Operacional Geoestacionário – 16)

GOES-R

Série R do Satélite GOES (Série de satélites da qual o GOES-16 faz
parte)

HIW

High Impact Weather (Fenômenos Meteorológicos de Alto
Impacto)

HRRR

High-Resolution Rapid Refresh (Modelo de Previsão Rápida de
Alta Resolução)

IAC

Instrument Approach
Instrumentos)

IATA

International Air Transport Association (Associação Internacional
de Transportes Aŕeos)

ICAO

International Civil Aviation Organization (Organização de Aviação
Civil Internacional)

ICAT

Instituto de Ciências Atmosféricas

Infrared (Infravermelho)

LCF

Low Clouds and Fog (Nuvens Baixas e Nevoeiro)

LVP

Low Visibility Procedure (Procedimento de Baixa Visibilidade)

LWC

Liquid Water Content (Conteúdo de Água Líquida)

METAR

METeorological Aerodrome Report (Relatório Meteorológico de
Aeródromo)

Chart

(Carta

Aproximação

por

Machine Learning (Aprendizado de Máquina)

MM5

Fifth-Generation Penn Satate/NCAR Mesoscale Model (Modelo de
Mesoescala Penn State/NCAR de Quinta Geração)

NCEP

National Centers for Environmental Prediction (Centros Nacionais
de Previsão Ambiental)

Numerical droplets (Concentração Numérica de Gotículas)

NIR

Near-Infrared (Infravermelho Próximo)

Nautical Mile (Milha Náutica)

NOAA

National Oceanic and Atmospheric Administration (Administração
Nacional Oceânica e Atmosférica)

NWP

Numerical Weather Prediction (Previsão Numérica de Tempo)

PAFOG

Airport Fog Forecasting (Previsão de Nevoeiro em Aeroporto)

Proportion Correct (Proporção de Acerto)

Particulate Matter (Material Particulado, geralmente PM_2.5 ou
PM_10)

NWP/PNT

Numerical Weather Prediction (Previsão Numérica de Tempo)

ROC

Receiver Operating Characteristic - Area Under the Curve (Curva

AUC

Característica de Operação do Receptor - Área Sob a Curva)

SBMO

Código ICAO para o Aeroporto Internacional Zumbi dos Palmares

SBNT

Código ICAO para o Aeroporto Internacional Augusto Severo

SBRF

Código ICAO para o Aeroporto Internacional Gilberto Freyre

SBSV

Código ICAO para o Aeroporto Internacional Deputado Luis
Eduardo Magalhães

SHAP

Shapley Additive exPlanation (Explicações Aditivas de Shaply)

SIPAER

Sistema de Investigação e Prevenção de Acidentes Aeronáuticos

SMOTE

Synthetic Minority Over-sampling Technique (Técnica de Sobreamostragem Sintética Minoritária)

SPECI

Informe Meteorológico Especial

SVM

Support Vector Machine (Máquina de Vetor de Suporte)

TAF

Terminal Area Forecast (Previsão Terminal de Área)

UAS

Uncrewed Aircraft Systems (Sistemas de Aeronaves Não
Tripuladas)

UFAL

Universidade Federal de Alagoas

UTC

Universal Time Coordinated (Tempo Universal Coodenado)

WRF

Weather Research and Forecasting Model (Modelo de Pesquisa e
Previsão de Tempo)

XGBoost

eXtreme Gradient Boosting

SUMÁRIO

1. INTRODUÇÃO...........................................................................................................................................
1.1 O Papel do Sensoriamento Remoto e a Lacuna Metodológica............................................................
1.2 Objetivos e Contribuições da Pesquisa (Focado em Machine Learning).............................................
1.3 Estrutura do Trabalho...........................................................................................................................
2 REVISÃO DA LITERATURA.....................................................................................................................
2.1 Fundamentação Teórica da Formação de Nevoeiro e Fatores de Controle..........................................
2.2 Microfísica e Gênese do Nevoeiro Costeiro........................................................................................
2.3 O Nevoeiro na Aviação: Impacto, Segurança e Adaptação Climática.................................................
2.4 Detecção por Sensoriamento Remoto (GOES-16/ABI) e a Abordagem Espectral..............................
2.5 Modelagem Preditiva Avançada (Machine Learning).........................................................................
2.6 Novas Tecnologias e Assimilação de Dados para Previsão de Nevoeiro.............................................
3.1 Definição e Caracterização..................................................................................................................
3.2 Descrição do Aeroporto.......................................................................................................................
3.3 Códigos METAR.................................................................................................................................
3.4 GOES-16 Sensor Advanced Baseline Imager (ABI) e Dados Utilizados............................................
3.5 Funções Spline e Splines Cúbicas Interpolantes..................................................................................
4 METODOLOGIA.........................................................................................................................................
4.1 Detecção de Nuvens Baixas e Nevoeiro (FLC) no Período Diurno.....................................................
4.2 Detecção de Nuvens Baixas e Nevoeiro (LCF) no Período Noturno...................................................
4.3 Metodologia de Dados e Modelagem Preditiva...................................................................................

4.4 Consolidação Cronológica e Interpolação de Falhas...........................................................................................

4.5 Aquisição e Engenharia de Recursos do GOES-16 (ABI)...................................................................
4.6 Engenharia de Recursos (Feature Engineering)...................................................................................
4.7 Framework de Machine Learning (XGBoost).....................................................................................
4.8 Caracterização do Spread Termodinâmico (T - T_d)...........................................................................
4.9 Uso da Radiossondagem de Natal (SBNT)..........................................................................................
5. RESULTADOS E DISCUSSÃO DA MODELAGEM...............................................................................
5.1 Análise da Validação Operacional: Previsão em Lote (junho/2022)...................................................
5.2 Análise da Validação Operacional: Previsão para 6 de janeiro de 2025..............................................
6 CONCLUSÕES.............................................................................................................................................
AGRADECIMENTOS.....................................................................................................................................
REFERÊNCIAS...............................................................................................................................................
ANEXOS..........................................................................................................................................................

1. INTRODUÇÃO
A aviação moderna é amplamente reconhecida como uma das formas de transporte
mais seguras e eficazes, desempenhando um papel fundamental na conectividade global
e no desenvolvimento econômico. Contudo, o setor permanece significativamente
vulnerável a fatores meteorológicos adversos. Entre esses fatores, o nevoeiro e as nuvens
estratificadas de baixos níveis destacam-se como os principais causadores de interrupções,
afetando diretamente a segurança e a eficiência das operações aeroportuárias (Rodrigues
et al., 2022). A redução crítica da visibilidade impõe restrições operacionais severas,
resultando em aumento de atrasos, cancelamentos e impactos econômicos diretos sobre as
companhias aéreas e o tráfego de passageiros. Além do expressivo ônus financeiro, a
dimensão mais crítica do fenômeno reside no risco iminente à segurança de voo. A perda
de referências visuais externas durante as fases de aproximação final, pouso e táxi eleva
significativamente a carga de trabalho da tripulação e dos controladores de tráfego aéreo,
configurando um cenário propício para desorientação espacial, excursões de pista
(runway excursions) e incursões em pista (runway incursions) devido a falhas de
navegação na superfície (FAA, 2020). Fenômenos de pequena espessura óptica ou
variações súbitas na densidade do nevoeiro — comuns em regiões tropicais litorâneas
devido à rápida interação termodinâmica terra-mar — são particularmente perigosos, pois
podem surpreender os pilotos nos segundos cruciais que antecedem o toque.
No âmbito da aviação civil, os impactos da redução da visibilidade horizontal
causada por nevoeiros traduzem-se imediatamente em severas restrições operacionais e
prejuízos econômicos substanciais. Quando as condições meteorológicas de um
aeródromo decaem abaixo dos mínimos operacionais estabelecidos para pousos e
decolagens, inicia-se um efeito cascata no gerenciamento do tráfego aéreo regional e
global (ICAO, 2019). Os aeroportos são forçados a operar sob LVP - Low Visibility
Procedures (Procedimento de Baixa Visibilidade), o que reduz drasticamente a
capacidade de aceitação de pista, resultando em atrasos prolongados, cancelamentos de
voos e desvios de aeronaves para aeroportos alternativos. Para as companhias aéreas, essas
interrupções geram custos adicionais massivos relacionados ao consumo extra de
combustível em órbitas de espera, taxas de pouso não planejadas em outras localidades,
além de custos logísticos com a assistência, alimentação e reacomodação de passageiros
(EUROCONTROL, 2021). Tais desafios são agravados por fenômenos como a ilha de

17
calor urbana e alterações nos padrões de transporte de umidade devido às mudanças
climáticas (Gratton et al., 2022).
Diante dessa problemática, o desenvolvimento de ferramentas automatizadas de
previsão imediata (nowcasting), como a metodologia proposta nesta pesquisa, surge como
uma contribuição científica e prática essencial para mitigar tais impactos no Aeroporto
Internacional Zumbi dos Palmares (SBMO). Ao integrar dados multiespectrais de alta
resolução do satélite GOES-16 com o poder computacional e preditivo do algoritmo
XGBoost, este estudo viabiliza a identificação precoce das assinaturas radiativas
precursoras da saturação atmosférica. Essa antecipação permite que os órgãos de controle
do espaço aéreo (como o DTCEA-MO) e as gerências de operações das companhias aéreas
tomem decisões proativas, tais como o ajuste prévio do fluxo de chegada de aeronaves, o
planejamento estratégico do combustível de contingência e a otimização da eficiência
logística em solo antes que o aeródromo atinja condições críticas de fechamento. Assim,
a transição de um modelo de gestão aeroportuária puramente reativo para uma postura
preditiva baseada em dados não apenas eleva os níveis de segurança operacional locais,
mas também promove uma aviação civil regional mais resiliente e economicamente
eficiente. O nevoeiro é um fenômeno perigoso que exige métodos precisos de
monitoramento e previsão. Historicamente, a detecção tem evoluído de observações
terrestres como o METeorological Aerodrome Report ou Relatório Meteorológico de
Aeródromo (METAR) para o uso de satélites de observação da Terra, essenciais para
cobrir áreas remotas ou marítimas. Apesar dos avanços em algoritmos de limiares
(Mahdavi et al., 2020), a previsão de curto prazo em regiões costeiras e tropicais, como o
Nordeste brasileiro, permanece um desafio técnico. Isso se deve à complexidade dos
mecanismos de formação (predominantemente nevoeiro de advecção em áreas costeiras)
e à semelhança espectral diurna entre nevoeiro e outros tipos de nuvens (Gultepe et al.,
2019).
1.1 O Papel do Sensoriamento Remoto e a Lacuna Metodológica
A necessidade de previsões imediatas robustas e localizadas reforça o papel do
sensoriamento remoto de alta resolução temporal. O satélite GOES-16 - Geostationary
Operational

Environmental

Satellite

–

(Satélite

Ambiental

Operacional

Geoestacionário – 16), com seu instrumento ABI - Advanced Baseline Imager (Imageador
de Linha de Base Avançado), fornece as Diferenças de Temperatura de Brilho (Brightness

18
Temperature Differences - BTDs), que são os principais discriminadores espectrais de
nevoeiro.
No entanto, a literatura regional carece de modelos que tratem de forma eficaz
dois desafios interligados: a adaptação dos critérios espectrais (BTDs) a um ambiente
climático tropical específico e a solução do extremo desbalanceamento de classes inerente
ao dataset (nevoeiro é um evento raro), que inviabiliza a aplicação direta de modelos de
classificação tradicionais.
Este estudo se propõe a fechar essa lacuna metodológica.
1.2 Objetivos e Contribuições da Pesquisa (Focado em Machine Learning)
Dada a relevância operacional do problema em regiões costeiras, esta pesquisa
tem como principal objetivo desenvolver, treinar e validar um modelo de classificação
supervisionada baseado em ML - Machine Learning (Aprendizado de Máquina) para a
previsão de nevoeiro no Aeroporto Internacional Zumbi dos Palmares (SBMO) - Código
da International Civil Aviation Organization (Organização de Aviação Civil
Internacional) - ICAO para o aeroporto, utilizando dados espectrais do satélite GOES-16
e dados de METAR da estação DTCEA-MO (Destacamento de Controle do Espaço Aéreo
- Maceió) localizada no próprio aeroporto.
Objetivo Geral: O objetivo geral do estudo consiste em desenvolver uma
metodologia preditiva robusta e aplicada voltada para a segurança operacional
aeroportuária, com foco central no Aeroporto Internacional Zumbi dos Palmares.
Objetivo Específico: O objetivo específico define-se em:
● Desenvolver uma metodologia preditiva integrada unindo dados de
sensoriamento remoto orbital (provenientes do satélite GOES-16) e dados
meteorológicos de superfície (derivados de relatórios contínuos METAR);
● Validar o desempenho e a física da abordagem por meio de algoritmos de
Aprendizado de Máquina (Machine Learning), com foco no modelo de
classificação supervisionada XGBoost;
● Aplicar esta modelagem estruturada para a identificação e previsão imediata
(nowcasting) de nevoeiros e nuvens estratificadas de baixos níveis na região do
aeródromo;

19
● Propor uma ferramenta prática e operacional voltada para o apoio à tomada de
decisão, visando elevar os níveis de eficiência e segurança para as operações
aeronáuticas conduzidas no Aeroporto Internacional Zumbi dos Palmares
(SBMO).
1.3 Estrutura do Trabalho
Este trabalho está estruturado em sete capítulos, organizados da seguinte forma: o
Capítulo 1 apresenta a introdução e os objetivos da pesquisa. O Capítulo 2 realiza uma
revisão bibliográfica sobre a física dos nevoeiros, o uso de sensoriamento remoto para sua
detecção e o framework de Machine Learning aplicado à meteorologia. O Capítulo 3
detalha a área do estudo e suas características, descreve detalhadamente os dados
utilizados, incluindo o tratamento dos dados METAR, a engenharia de recursos do
GOES-16 e as Splines Cúbicas. O Capítulo 4 apresenta a metodologia e o pipeline de
modelagem (XGBoost, SMOTE e otimização de limiar). O Capítulo 5 traz os resultados
e as discussões acerca dos resultados obtidos. Por fim, o Capítulo 6 apresenta as
conclusões do estudo e as recomendações para trabalhos futuros.
2 REVISÃO DA LITERATURA
2.1 Fundamentação Teórica da Formação de Nevoeiro e Fatores de Controle
A formação do nevoeiro é um processo microfísico e sinótico complexo,
influenciado por múltiplos fatores de controle. O fenômeno é determinado pela
combinação de trocas de calor e umidade na Camada Limite Planetária (CLP), padrões de
ventos e advecção de massa de ar úmida (relevante para o contexto costeiro de Maceió) e
a presença de Material Particulado (MP) atua como Núcleos de Condensação de Nuvem
(Cloud Condensation Nucleus - CCN) (Lakra & Avishek, 2022).
O estudo sobre a estimativa de material particulado a partir da Profundidade
Óptica de Aerossóis (Aerosol Optical Depth - AOD) obtida por satélite corrobora a
importância da qualidade do ar como variável meteorológica preditora, sugerindo a
necessidade de considerar a influência desses microelementos na nucleação do nevoeiro
(Ranjan et al., 2021).
2.2 Microfísica e Gênese do Nevoeiro Costeiro
A compreensão da Microfísica do Nevoeiro Costeiro é crucial para a modelagem
preditiva no Aeroporto Zumbi dos Palmares (SBMO), que possui uma localização

20
litorânea. O nevoeiro costeiro, frequentemente um nevoeiro de Advecção, é regido por
processos de nucleação, crescimento de gotículas e interações na Camada Limite
Planetária (CLP). De acordo com Fedorova et al. (2012), diversas condições são
necessárias para a formação de nevoeiro em Maceió, incluindo: 1) ventos fracos; 2)
resfriamento radiativo noturno antes do nascer do sol; 3) a presença de uma inversão
térmica próxima à superfície; 4) instabilidade atmosférica acima de 925 hPa; e 5)
movimento ascendente fraco nos níveis inferiores da atmosfera e movimento descendente
nos níveis médios. Essas condições são tipicamente associadas a nevoeiro do tipo
radiação, com influência adicional da umidade oceânica.
Além disso, existem outros mecanismos físicos que contribuem para a adição de
mais umidade à formação de nevoeiro na costa norte da BNE (Bacia Nordeste): a)
confluência em baixos níveis; b) mudanças na direção do vento; c) precipitação antes do
evento; d) evaporação quente da água do mar; e) fluxo de calor latente positivo na região
costeira; f) fluxo de calor sensível negativo (o resfriamento do ar gera condensação)
(Fedorova et al., 2015; 2016).
O projeto de campanha de campo Toward Improving Coastal Fog Prediction - CFOG (Melhoria na Previsão de Nevoeiro Costeiro), detalhado por Gultepe et al. (2021),
enfatiza a importância de observações in-situ integradas com dados do GOES-R (série à
qual o GOES-16 pertence) para o avanço da compreensão da formação, desenvolvimento
e dissipação do nevoeiro em ambientes costeiros. Os resultados microfísicos — como a
Concentração Numérica de Gotículas (Numerical droplets - Nd) e o Conteúdo de Água
Líquida (Liquid Water Content - LWC) — são essenciais para validar algoritmos de
satélite.
A presença de Núcleos de Condensação de Nuvem (CCN), relacionados à
Profundidade Óptica de Aerossóis (Aerosol Optical Depth - AOD) e ao Material
Particulado (PM2.5 e PM10), é um fator de controle fundamental na formação do
nevoeiro. A incorporação dessas variáveis, mesmo de forma indireta via features de
satélite, é justificada para aprimorar a precisão do nowcasting (Lakra & Avishek, 2022;
Ranjan et al., 2021).

21
2.3 O Nevoeiro na Aviação: Impacto, Segurança e Adaptação Climática
O nevoeiro e a baixa visibilidade continuam a ser classificados entre os fenômenos
meteorológicos de alto impacto mais críticos para a aviação global. Dados históricos
indicam que o clima é um fator causal em aproximadamente 30% de todos os acidentes
de aviação nos EUA, com o nevoeiro sendo um contribuinte significativo para acidentes
fatais (Gultepe et al., 2019; 2023). A visibilidade e o teto são os segundos eventos
climáticos mais importantes que afetam as operações, superados apenas pelo vento e
turbulência (Gultepe et al., 2023).
Adicionalmente, estudos sobre Mudanças Climáticas (MC) e aviação destacam a
necessidade de adaptação de longo prazo. Embora o foco principal da MC na aviação seja
a mitigação, há um reconhecimento crescente de que as consequências da mudança
climática – que podem alterar a frequência e intensidade de fenômenos extremos,
incluindo o nevoeiro – exigem que as partes interessadas do setor desenvolvam planos de
adaptação (Ryley et al., 2020).
A baixa visibilidade causada por nevoeiro é um dos maiores contribuintes para
atrasos regulamentados de tráfego aéreo, impactando significativamente o rendimento e
gerando custos operacionais adicionais. Condições meteorológicas adversas, como
nevoeiro, podem restringir a capacidade aeroportuária e causar atrasos substanciais. Na
Europa, quase metade dos atrasos de tráfego regulamentado é atribuída ao clima, sendo o
impacto mais severo em aeroportos que operam próximos à sua capacidade máxima
(Rodríguez-Sanz et al., 2021).
O trabalho de Castro et al. (2021) sobre o efeito de previsões de baixa
probabilidade de tempo adverso no planejamento de combustível de voo reforça que a
incerteza na previsão (como a incerteza associada ao nevoeiro) leva à adição de
combustível extra. A melhoria na precisão da previsão de curto prazo de nevoeiros por
meio do seu modelo de XGBoost pode se traduzir diretamente em ganhos de eficiência e
redução de custos para as companhias aéreas, um impacto prático e mensurável do seu
trabalho.
Os impactos de eventos climáticos extremos, incluindo a alteração na frequência
e intensidade de nevoeiros, exigem estratégias de longo prazo na aviação. A elevação do
nível do mar, eventos extremos (como inundações) e padrões de temperatura alterados
tornam a infraestrutura aeroportuária vulnerável. É crucial que os aeroportos desenvolvam

22
planos de resiliência e adaptação para mitigar riscos e garantir a continuidade operacional
(Marquez, 2024). Este trabalho, ao focar em um High Impact Weather - HIW (Fenômenos
Meteorológicos de Alto Impacto) em um aeroporto costeiro como o de Maceió (SBMO),
contribui para a base de conhecimento necessária para essas estratégias de adaptação local.
2.4 Detecção por Sensoriamento Remoto (GOES-16/ABI) e a Abordagem Espectral
O sensoriamento remoto geoestacionário, particularmente com o Advanced
Baseline Imager (ABI) a bordo do satélite GOES-16, tornou-se a principal ferramenta
para a detecção de LCF - Low Clouds and Fog (Nuvens Baixas e Nevoeiro) em tempo
quase real, devido à sua alta resolução temporal (Mahdavi et al., 2021; Gultepe et al.,
2019).
A metodologia de detecção se apoia nos seguintes princípios espectrais:
● Detecção Noturna (BTD): Baseada na Diferença de Temperatura de Brilho (BTD)
entre as bandas de Infravermelho de Onda Curta (C07 3.9 μm) e Infravermelho de Onda
Longa (C13 10.3 μm). Esta diferença explora a menor emissividade da água líquida no
canal 3.9 μm, resultando em valores de BTD negativos que indicam a presença de
nevoeiro. No período noturno, o índice BTD NOTURNO = BT C 07 - BT C 13permanece o
discriminador mais robusto, explorando a diferença de emissividade da água líquida. A
utilização da banda C09 (6.9 μm) na engenharia de recursos (como BTDWater Vapor) é
justificada por sua capacidade de monitorar a umidade em níveis mais altos, atuando como
um preditor de condições atmosféricas favoráveis à subsidência da umidade e à formação
de nevoeiro na camada limite (Gultepe et al., 2023).
● Detecção Diurna (Algoritmos Baseados em Probabilidade): Durante o dia, a banda C07
é contaminada pela radiação solar refletida. Isso exige a adoção de algoritmos mais
complexos que combinam testes de homogeneidade espacial, diferença de temperatura e
proxy de gotículas pequenas, utilizando as bandas visíveis (C02/C03) e infravermelho
próximo (Near-Infrared - NIR) (Mahdavi et al., 2021). A abordagem diurna
frequentemente se baseia em métodos probabilísticos para diferenciar o nevoeiro
(gotículas pequenas) de nuvens de gelo ou do solo. Durante o dia, a detecção é complexa
devido à contaminação solar na banda de 3.9 μm. Estudos recentes validam o uso de
Técnicas de Classificação Supervisionada como Máquina de Vetor de Suporte (Support

23
Vector Machine - SVM) e Redes Neurais para diferenciar nevoeiro marinho e nuvens
baixas de outras classes. Wang et al. (2023), ao utilizar o satélite FY-3D, demonstraram
que o desempenho ótimo na detecção diurna depende da integração de:
● Diferenças de Temperatura de Brilho (BTDs).
● Características de Textura (homogeneidade espacial).
● Parâmetros Auxiliares.
Mahdavi et al. (2021) aplicaram um Algoritmo Baseado em Probabilidade que
utiliza testes de proxy de gotículas pequenas, homogeneidade espacial e diferença de
temperatura com o GOES-16.
2.5 Modelagem Preditiva Avançada (Machine Learning)
O uso de algoritmos de Machine Learning, como o XGBoost, é a tendência atual
para lidar com a alta dimensionalidade e a não-linearidade dos dados meteorológicos. A
aplicação de ML/IA é sugerida para aprimorar os algoritmos de visibilidade e as
parametrizações microfísicas em modelos de Previsão Numérica do Tempo (Numerical
Weather Prediction - NWP), especialmente em cenários complexos. Projetos como o Cold
Fog Amongst Complex Terrain - CFACT (Nevoeiro Frio Entre Terrenos Complexos),
embora focado em nevoeiro frio, destacam a necessidade de desenvolver métodos de
assimilação e análise de dados de alta resolução para modelos NWP sub-quilométricos, e
sugerem a integração de observações detalhadas para melhorar a previsão de visibilidade
(Gultepe et al., 2023).
A aplicação de ML para monitoramento de nevoeiro oceânico usando dados de
satélites geoestacionários como o HIMAWARI-8, um satélite da mesma classe do
GOES-16 que demonstrou superioridade sobre produtos operacionais clássicos em termos
de F1 Score e Proportion Correct - PC (Proporção de Acerto). O modelo XGBoost com
canais de Infravermelho (IR) foi capaz de corrigir perfeitamente o nevoeiro oceânico dia
e noite, destacando o potencial desta metodologia para detecção contínua (Sim & Im,
2023). A pesquisa de Sim & Im (2023) introduz a Interpretação do Modelo Baseada em
SHapley Additive exPlanations - SHAP (Explicações Aditivas de Shaply), uma técnica
avançada que permite quantificar a contribuição de cada feature (como as Diferenças de
Temperatura de Brilho, ou BTDs para a decisão final do classificador.

24
2.6 Novas Tecnologias e Assimilação de Dados para Previsão de Nevoeiro
Avanços na tecnologia de observação indicam novas direções para aprimorar os
Modelos de Previsão Numérica do Tempo (Numerical Weather Prediction - NWP) e a
previsão de nevoeiro. O uso de Sistemas Uncrewed Aircraft Systems - UAS (Sistemas de
Aeronaves Não Tripuladas) para obter observações direcionadas de temperatura e
umidade em baixos níveis, como demonstrado em vales fluviais, mostrou-se promissor.
A assimilação desses dados melhora as previsões de modelos NWP (como o HighResolution Rapid Refresh - HRRR (Modelo de Previsão Rápida de Alta Resolução),
sugerindo um futuro em que a detecção remota por satélite (GOES-16) pode ser
complementada por observações in-situ de baixo custo e alta resolução para maior
precisão (Pinto et al., 2024).
3. MATERIAIS E MÉTODOS
3.1 Definição e Caracterização
O trabalho consiste em analisar a formação e a duração dos nevoeiros e nuvens
estratificadas no Aeroporto Internacional Zumbi dos Palmares localizado a –9,51080 de
latitude e –35,79170 de longitude, utilizando dados de sensoriamento remoto e METAR
para, a partir destes dados, propor uma ferramenta operacional para apoio à tomada de
decisão em operações aeroportuárias na região entre os municípios de Maceió e Rio Largo
(FIGURA 1).
FIGURA 1 - Localização da área de estudo destacando o Estado de Alagoas, com destaque para
os municípios de Maceió e Rio Largo.

Fonte: Elaborado pelo autor (2025).

25
3.2 Descrição do Aeroporto
O Aeroporto Internacional Zumbi dos Palmares, que atende a região de Maceió –
AL, com as siglas MCZ, pela International Air Transport Association - IATA (Associação
Internacional de Transportes Aéreos), e SBMO pela International Civil Aviation
Organization - ICAO (Organização da Aviação Civil Internacional). Está localizado no
estado de Alagoas, especificamente na região metropolitana de Maceió, situando-se a
aproximadamente 22 quilômetros do centro da Capital alagoana. A área total do sítio
aeroportuário é de 4,857 milhões de metros quadrados, o sítio conta com 2 pátios, 1 para
aviação regular (comercial) com 45.729 m² de área contando com 12 posições, e 1 para a
aviação geral com 37.716 m² de área com 12 posições e 1 heliponto (FIGURA 2). Para
dar acesso às aeronaves, existem 4 pontes de embarque. As dimensões da pista, atualmente
são de 2.604 metros de comprimento por 45 metros de largura, essas medidas passaram a
existir em 2005 com a conclusão do projeto de expansão do comprimento da pista, que
antes eram de 2.200 metros de comprimento por 45 metros de largura. Vale ressaltar que
antes desse ano, ele era conhecido pelo nome de Aeroporto Campo dos Palmares. O
terminal de passageiros possui uma área de 22.000 m² e uma capacidade de atender 5,3
milhões de passageiros por ano (AENA BRASIL, 2025).

FIGURA 2 - Carta de aeródromo (Aerodrome Chart - ADC) do Aeroporto Internacional Zumbi
dos Palmares apresentando as principais estruturas e espaços do aeródromo.

Fonte: https://aisweb.decea.mil.br/?i=cartas

Utilizando a metodologia proposta, o estudo analisará a ocorrência de nevoeiros e
de nuvens estratificadas baixas com base abaixo da Decision Altitude - DA, ou Altitude
Decisão de 588 pés (179,2 m) e visibilidade de 1200 m se a aeronave realiza aproximação

27
pelo ILS CAT 1 conforme consta na Instrument Approach Chart - IAC, ou Carta de
Aproximação por Instrumentos (FIGURA 3), num raio de 11 milhas náuticas (20,4 km)
ao redor da pista de pouso do aeroporto, observando principalmente as operações na pista
12 (Figura 4). O período de estudo estará concentrado para ensaios de previsão no mês
de junho de 2022, mês com ocorrência significativa de nevoeiros e de nebulosidade baixa
registradas, segundo dados METAR obtidos da estação DTCEA-MO para este estudo. Os
dados de METAR cobriram o período de 01 de janeiro de 2005 até 31 de dezembro de
2024, e os dados do satélite GOES-16 cobriram o período de 10 de julho de 2017 a 30 de
dezembro de 2024.

FIGURA 3 - Carta de Aproximação por Instrumentos (Instrument Approach Chart – IAC) do
Aeroporto Internacional Zumbi dos Palmares apresentando o arco DME de 11 milhas náuticas
(22,4 km) de raio aeródromo.

Fonte: https://aisweb.decea.mil.br/?i=cartas
FIGURA 4 - Perímetro da área de estudo. Espaço aéreo de 11 NM (20,4 km) ao redor do
aeroporto.

Fonte: Elaborado pelo autor (2025).

3.3 Códigos METAR
Conforme Bianchini (2017) METAR (METeorological Aerodrome Report) é o
informe meteorológico regular de aeródromo. Utilizado para a descrição completa das
condições meteorológicas observadas em um aeródromo. É reportado em intervalos
regulares de uma hora (10:00Z, 11:00Z, 12:00Z....).
O METAR contêm as seguintes informações na sequência:
● Grupos de identificação;
● Vento à superfície;
● Visibilidade horizontal;

30
● Alcance visual na pista (quando houver);
● Tempo presente;
● Nuvens (ou visibilidade vertical, se for o caso);
● Temperaturas do ar e do ponto de orvalho;
● Pressão atmosférica (QNH); e
● Informações suplementares de inclusão condicional sobre tempo recente, cortante do
vento, temperatura da superfície do mar, estado do mar e estado da pista.
O METAR constitui o relatório meteorológico padrão para aeródromos, cuja
elaboração pode ocorrer de forma automatizada, manual — por meio de profissionais de
meteorologia — ou em um modelo híbrido, no qual os dados coletados automaticamente
são validados ou complementados tecnicamente. A periodicidade de atualização das
estações meteorológicas é, predominantemente, de trinta minutos. Embora o formato
codificado do METAR possa ser percebido como anacrônico diante das tecnologias
contemporâneas, sua manutenção justifica-se pela alta densidade de informações
transmitidas com o mínimo de caracteres, além da rigorosa padronização internacional
que visa mitigar ambiguidades interpretativas. Do ponto de vista da eficiência de dados, a
compilação de um ciclo global abrangendo aproximadamente 4.200 estações de
monitoramento resulta em um volume de tráfego de apenas 3 MB, otimizando o uso das
redes de comunicação aeronáutica. Entretanto, o uso de METARs codificados impõe
limitações operacionais e cognitivas. A visualização imediata das informações é
frequentemente dificultada pela necessidade de decodificação e pela variabilidade das
unidades de medida, que podem exigir conversões imediatas conforme a jurisdição.
Adicionalmente, o sistema integra cerca de cinquenta códigos distintos para fenômenos
meteorológicos e condições de pista; a baixa frequência de uso de parte dessa codificação
no cotidiano operacional pode comprometer a prontidão da memória do operador (anexo
1). Outro fator de complexidade reside na utilização do Tempo Universal Coordenado
(UTC). Para operadores em regiões geograficamente distantes do meridiano de referência,
a conversão para a hora local demanda esforço computacional e aumenta a suscetibilidade
a erros. Por fim, o METAR não fornece de forma explícita os componentes vetoriais do

31
vento (proa, cauda ou través). Consequentemente, a determinação desses valores exige
que o piloto ou o despachante realize cálculos trigonométricos ou utilize regras
heurísticas, o que limita a agilidade na avaliação das condições operacionais de pouso e
decolagem (Fonte: https://metar-taf.com/pt?c=-93706.-362872.10&hl=SBMO).
De acordo com o manual FCA-105-16 CÓDIGOS METEOROLÓGICOS
METAR E SPECI (2025), do Comando da Aeronáutica, os códigos METAR deverão ter
as seguintes interpretações:
GRUPOS DE IDENTIFICAÇÃO
Codificação
METAR SBGL 131000Z
Descodificação
METAR – nome do código; indicador de localidade da OACI – SBGL; e dia do mês e
horário da observação, em horas e minutos UTC, seguidos, sem espaço, da letra indicadora
Z – 131000Z.
VENTO À SUPERFÍCIE
Codificação
METAR SBGL 131000Z 31015G27KT 280V350
NOTA: A direção média do vento à superfície, em graus, sempre é informada em relação
ao Norte verdadeiro, arredondada para a dezena de graus mais próxima à direção de onde
sopra o vento.
Descodificação
Normalmente, teremos um grupo de cinco algarismos indicando a direção média e a
velocidade média do vento, seguido pelas abreviaturas padrões da OACI: KT (nó) ou MPS
(metros/segundo). Os três primeiros algarismos indicam a direção e os dois últimos, a
velocidade.
Ex.: 31015KT
NOTA: O Brasil adotou o nó (KT) como unidade de velocidade do vento.

32
Nos casos em que a velocidade máxima do vento exceda a velocidade média em 10 kt ou
mais, esta será informada pela letra G (gusts – rajadas) seguida do valor da rajada,
imediatamente após a velocidade média, seguido, sem espaço, pela abreviatura KT.
Ex.: 31015G27KT
Se a variação total da direção do vento for de 60º ou mais, porém inferior a 180º, e a
velocidade média for de 3 kt ou mais, serão informadas as duas direções extremas, no
sentido horário, com a letra V inserida entre as duas direções.
Ex.: 31015G27KT 280V350
Casos especiais
a) vento calmo – velocidade inferior a 1 kt, é codificado 00000, seguida, sem espaço, pela
abreviatura KT;
Ex.: 00000KT
b) vento variável – será informado como VRB quando: - a variação total da direção for de
60º ou mais, porém inferior a 180º, com velocidade média inferior a 3 kt; e
Ex.: VRB02KT - a variação da direção for de 180º ou mais, com qualquer valor de
velocidade média, ou, ainda, quando for impossível determinar uma única direção; e
Ex.: VRB23KT
c) vento de 100 kt ou mais – serão precedidos da letra P e informados como P99KT. Ex.:
240P99KT (direção 240º, velocidade de 100 kt ou mais).
VISIBILIDADE HORIZONTAL
É informada sempre a visibilidade horizontal predominante e, quando for o caso, a
visibilidade horizontal mínima.
Codificação
METAR SBGL 131000Z 31015G27KT 8000
METAR SBGL 131000Z 31015G27KT 0350
Descodificação
Um grupo de quatro algarismos informa a visibilidade horizontal predominante expressa
em metros.
Ex.: Valor de visibilidade de 8 km é informado como 8000, e de 350 m, 0350.
Além da visibilidade predominante, será informada a visibilidade mínima e sua direção
geral em relação ao aeródromo, indicando um dos pontos cardeais ou colaterais, quando
esta for diferente da visibilidade predominante, e: a) inferior a 1.500 metros; ou b) inferior
a 50% da predominante e inferior a 5.000 metros.

33
Ex.: 8000 1400S (8.000 metros de predominante e 1.400 metros no setor sul) 6000
2800NE (6.000 metros de predominante e 2.800 metros no setor nordeste)
NOTA 1: Quando for observada visibilidade mínima em mais de uma direção, será
informada a direção mais importante para as operações.
NOTA 2: Quando a visibilidade for de 10 km ou mais, será informada como 9999.
NOTA 3: Quando a visibilidade horizontal não for a mesma em diferentes direções,
variando rapidamente, e a visibilidade predominante não puder ser determinada, o grupo
VVVV será utilizado para informar a visibilidade mínima, sem indicação da direção.
ALCANCE VISUAL NA PISTA (RVR)
Durante os períodos em que a visibilidade horizontal predominante ou o alcance visual na
pista (RVR), no caso de uma ou mais pistas disponíveis para pouso, for inferior a 2.000
metros, um ou mais grupos são incluídos no informe. O grupo é formado pela letra R
seguida do designador de pista e de uma barra (/), seguida do RVR em metros.
Ex.: R10/1100 (RVR na pista 10, 1.100 metros)
O valor de 50 metros é considerado como o limite inferior e o valor de 2.000 metros como
o limite superior para as avaliações do alcance visual na pista.
Quando a visibilidade no aeródromo for menor que 2.000 metros e o valor do RVR for
maior que o máximo que pode ser medido, será informado como P2000.
Ex.: R10/P2000 (RVR na pista 10, maior que 2.000 metros)
Quando o RVR for menor que o mínimo valor possível de ser medido, será informado
como M0050.
Ex.: R10/M0050 (RVR na pista 10, menor que 50 metros)
Quando os valores do RVR, durante o período de 10 minutos que antecede a observação,
mostrarem uma clara tendência a aumentar ou diminuir, tal que a média durante os
primeiros 5 minutos varie de 100 metros ou mais da média dos 5 minutos seguintes do
período, serão indicados por i = U ou i = D para valores crescentes e decrescentes do
RVR, respectivamente. Quando não forem observadas mudanças significativas, utilizarse-á i = N. Se não for possível determinar a tendência, “i” será omitido.
Ex.: R12/1100U (RVR na pista 12, 1.100 metros com tendência a aumentar)
Quando os valores do RVR, durante o período de 10 minutos precedentes à hora da
observação, em 1 minuto, diferirem do valor médio em mais de 50 metros ou em mais de
20%, qualquer que seja o maior, os valores (média mínima e média máxima, em 1 minuto)

34
serão informados, respectivamente, conforme exemplo abaixo, em vez da média dos 10
minutos.
Ex.: R10/1000V1500
As pistas paralelas são distinguidas adicionando-se a DRDR as letras L, C ou R, que
indicam, respectivamente, pista paralela esquerda, central ou direita.
Ex.: R09L/1000
TEMPO PRESENTE
Codificação
METAR SBGL 131000Z 31015G27KT 280V350 4000 1800N R10/P2000 +TSRA
Descodificação
Quando existir um fenômeno a ser reportado, o tempo presente será codificado
considerando cada coluna da Tabela 4678 (Anexo A).
Ex.:
existe trovoada...................... TS
com precipitação.................. RA
é forte .................................. +
a codificação resulta em: +TSRA
A intensidade será indicada somente para precipitação, precipitação associada a pancadas
e/ou trovoadas, nuvens funil, tempestades de poeira ou de areia. Esta é indicada por sinal
apropriado de acordo com a Tabela 4678.
Se forem observados mais de um fenômeno, serão codificados grupos separados, até o
máximo de três.
Nevoeiro (FG) será reportado quando a visibilidade horizontal predominante for reduzida
por gotículas d'água ou cristais de gelo, para menos de 1.000 metros; Nevoeiro baixo
(MIFG) será informado quando a visibilidade aparente através da camada de nevoeiro for
menor que 1.000 metros e a visibilidade acima de 2 metros do solo for de 1.000 metros
ou mais; e Bancos de nevoeiro (BCFG) e nevoeiro parcial (PRFG) serão informados
quando parte do aeródromo estiver coberta, a visibilidade aparente através da camada de
nevoeiro for menor que 1.000 metros e o nevoeiro se estender até 2 metros acima do nível
do solo;
NUVENS (OU VISIBILIDADE VERTICAL)
Codificação

35
METAR SBGL 131000Z 31015G27KT 280V350 4000 1800N R10/P2000 +TSRA
FEW005 FEW010CB SCT018 BKN025
Descodificação
Poucas nuvens a 500 pés FEW005 Poucas nuvens CB a 1.000 pés FEW010CB Nuvens
esparsas a 1.800 pés Céu nublado a 2.500 pés SCT018 BKN025
Sob circunstâncias normais, os grupos de nuvens são formados por seis dígitos.
Os três primeiros dígitos indicam a quantidade de nuvens:
a) 1 a 2 oitavos são informados como FEW (Few) – poucas nuvens;
b) 3 a 4 oitavos são informados como SCT (Scattered) – nuvens esparsas;
c) 5 a 7 oitavos são informados como BKN (Broken) – céu nublado; e
d) 8 oitavos são informados como OVC (Overcast) – céu encoberto.
Os três últimos algarismos indicam a altura da base da nuvem em centenas de pés,
utilizando-se incrementos de 100 pés (30 metros), até o limite de 10.000 pés (3.000
metros).
Tipo de nuvem
Os tipos de nuvens são informados somente para as seguintes nuvens convectivas
significativas:
a) cumulonimbus, indicado por CB; e
b) cumulus congestus, indicado por TCU.
Grupos de nuvens
O grupo de nuvens pode ser repetido para informar diferentes camadas de nebulosidade;
não sendo superior a três, exceto quando existirem nuvens convectivas significativas, que
sempre serão informadas.
Os grupos de nuvens são reportados na ordem crescente de altura, conforme os seguintes
critérios:
a) 1º grupo – o mais baixo independentemente da quantidade – FEW, SCT, BKN ou OVC;
b) 2º grupo – o próximo, seguinte em altura, com 3/8 ou mais – SCT, BKN ou OVC;
c) 3º grupo – o próximo, seguinte em altura, com 5/8 ou mais – BKN ou OVC; e
d) grupos adicionais: nuvens convectivas significativas (CB ou TCU), se já não tiverem
sido informadas num dos três grupos anteriores.
CAVOK

36
A abreviatura CAVOK substituirá as informações sobre visibilidade, alcance visual na
pista, tempo presente, nuvens e visibilidade vertical quando ocorrerem, simultaneamente,
no momento da observação, as seguintes condições:
a) visibilidade: 10 km ou mais, em todo o horizonte;
b) nenhuma nuvem de significado operacional; e
c) nenhum fenômeno meteorológico significativo (ver Tabela 4678).
TEMPERATURAS DO AR E DO PONTO DE ORVALHO
Codificação
METAR SBGL 131000Z 31015G27KT 280V350 4000 1800N R10/P2000 +TSRA
FEW005 FEW010CB SCT018 BKN025 10/03
Descodificação
As temperaturas do ar e do ponto de orvalho são informadas em graus Celsius inteiros.
Ex.:
Temperatura do ar .......................................... 9,5°C
Temperatura do Ponto de Orvalho ................. 3,3°C
Será informado como 10/03.
Os valores de temperatura de -9ºC a +9ºC vão precedidos de zero e as temperaturas
negativas são precedidas pela letra “M”.
Ex.: +9ºC é informado como 09. -9°C é informado como M09.
Temperaturas com valores de 0,5°C são arredondadas para o grau inteiro imediatamente
superior.
Ex.: +11,5ºC é informado como 12. -7,5ºC é informado como M07.
PRESSÃO ATMOSFÉRICA (QNH)
Codificação
METAR SBGL 131000Z 31015G27KT 280V350 4000 1800N R10/P2000 +TSRA
FEW005 FEW010CB SCT018 BKN025 10/03 Q0995 FCA 105-3 / 2012 17/26
Descodificação
O grupo indica o valor de QNH arredondado para o hectopascal (hPa) inteiro inferior mais
próximo. O grupo é formado pela letra Q seguida, sem espaço, por quatro algarismos.
Ex.: QNH de 1.012,4 hPa é reportado como Q1012.
A unidade prescrita pela OACI para pressão atmosférica é o hectopascal.
Se o valor do QNH for inferior a 1.000 hPa, será precedido por 0 (zero).

37
Ex.: QNH de 995,6 hPa é reportado como Q0995.
3.4 GOES-16 Sensor Advanced Baseline Imager (ABI) e Dados Utilizados
O satélite GOES-16 (GOES-East), pertencente à série GOES-R, é um componente
essencial do Segmento Espacial do Sistema, operando em órbita geoestacionária a 75°
Oeste. Seu principal instrumento de imageamento é o Advanced Baseline Imager (ABI),
um radiômetro multiespectral que captura imagens da Terra e da atmosfera em 16 bandas
espectrais, abrangendo o visível, o infravermelho próximo e o infravermelho térmico.
Essa capacidade multiespectral, combinada com alta resolução temporal (imagens a cada
5–10 minutos no modo operacional), é crucial para o monitoramento de fenômenos
atmosféricos de curta duração, como nevoeiros (NOAA, 2023). A detecção de nuvens
baixas e nevoeiros (Low Clouds and Fog – LCF) pelo ABI é baseada na combinação de
bandas que exploram as diferentes propriedades ópticas das gotículas de água em
suspensão (TABELA 1).

TABELA 1 - Apresentação das bandas do ABI e suas características utilizadas neste estudo.

Canal
Comprimento Descrição e Aplicação
Resolução
(Banda) de Onda (μm)
Espacial
C02
0.64 (Vermelho REFLECTÂNCIA no visível. Utilizada para 0.5 km
Visível)
medir a refletância solar das nuvens durante
o dia, ajudando a distinguir entre
nevoeiro/nuvens baixas e o solo.
C03

0.86
REFLECTÂCIA da fase da nuvem.
(Infravermelho Sensível à presença de gotículas de água
Próximo)
líquida (nevoeiro/nuvens baixas),
complementando o C02.

1 km

C07

3.9
Janela de Infravermelho Curto. Usada na
(Infravermelho detecção de hotspots e, crucialmente, na
de Onda Curta) formação de Índices de Nevoeiro. Possui
sensibilidade à radiação térmica e à
refletância solar.

2 km

C13

10.3
Janela de Infravermelho Longo. Mede a
(Infravermelho Temperatura de Brilho (BT) do topo da
Longo)
nuvem ou da superfície, essencial para o
contraste térmico.

2 km

Fonte: Elaborado pelo autor (2025).

38
A detecção de nevoeiros noturnos e nuvens baixas (FLC) é primariamente realizada
através da técnica de Diferença de Temperatura de Brilho (BTD). Esta técnica explora as
propriedades radiométricas distintas das nuvens líquidas nas bandas de infravermelho de
onda curta (C07, em 3,9 μm) e infravermelho de onda longa (C13, em 10,3 μm).
O princípio fundamental baseia-se na variação da emissividade da água líquida
entre esses dois canais durante o período noturno:
● Banda C13 (10,3 μm): As gotículas de água líquida possuem alta emissividade
(próxima a 1,0), comportando-se como um corpo negro ideal. Assim, o canal
capta a temperatura radiativa real do topo da nuvem ou do solo.
● Banda C07 (3,9 μm): As gotículas de água líquida apresentam menor
emissividade radiativa. Devido a essa sub emissão volumétrica, o sensor orbital
detecta menos radiância e calcula uma temperatura de brilho falsamente mais
fria (menor) do que a real.
Essa resposta espectral assimétrica faz com que a Temperatura de Brilho do canal
C07 (BTC07) seja inferior à do canal C13 (BTC13). Consequentemente, ao aplicar a equação
(1), o resultado assume valores negativos na presença de gotículas de água líquida em
baixos níveis:
BTD = BTC07 – BTC13

(1)

● Nevoeiro / Nuvens Baixas: O BTC07 apresenta-se inferior ao BTC13 devido à
baixa emissividade das gotículas de água em ondas curtas, resultando em valores
de BTD consistentemente negativos, tipicamente situados entre 0 K e -15 K.
● Nuvens Altas (Ex: Cirrus): Compostas por cristais de gelo, exibem alta
opacidade e comportamento radiativo oposto, fazendo com que o BTD tenda a
valores próximos de zero ou positivos.
● Superfície Limpa (Solo): Apresenta emissividade alta e semelhante em ambos
os canais, resultando em valores de BTD tipicamente positivos ou nulos.

39
Essa diferença permite a discriminação entre nuvens baixas e outras características
da superfície e nuvens, sendo a base para a maioria dos algoritmos de detecção de LCF
(NOAA, 2023).
O Algoritmo da Camada de Cobertura de Nuvens (CCL), embora seja um produto
derivado do ABI, atua como um sistema de pós-processamento que utiliza os resultados
de outros algoritmos como o ABI Cloud Height Algorithm - ACHA (Algoritmo de Altura
de Nuvens ABI) para calcular a fração de cobertura de nuvens em camadas atmosféricas
predefinidas (SFC-FL050, FL050-FL100, etc.). Sua aplicação é relevante para o
monitoramento da distribuição vertical das nuvens e para o acompanhamento da fração
de cobertura entre diferentes níveis de voo, fornecendo uma visão mais estruturada da
baixa atmosfera do que a simples máscara de nuvens (NOAA, 2023).
3.5 Funções Spline e Splines Cúbicas Interpolantes
A função spline é uma técnica de interpolação que utiliza polinômios de baixo
grau definidos em subintervalos delimitados por nós, garantindo suavidade e evitando
oscilações indesejadas. Splines, especialmente as cúbicas, garantem continuidade não só
da função, mas também de suas derivadas, resultando em curvas suaves mesmo em
grandes conjuntos de dados. Ao dividir o domínio em subintervalos, splines evitam as
oscilações que surgem ao usar um único polinômio de alto grau para todo o intervalo.
Splines, como as B-splines, são bem condicionadas numericamente e permitem ajustes
locais sem afetar toda a curva, tornando-as ideais para dados reais e aplicações práticas.
Cada subintervalo entre nós recebe um polinômio de baixo grau (geralmente cúbico), e as
condições de suavidade são impostas nos nós para garantir transições suaves. B-splines
são amplamente utilizadas devido à sua simplicidade computacional e capacidade de
impor suavidade de forma implícita (Dyer & Dyer, 2001; Esmaeili et al., 2019). Técnicas
modernas permitem o uso de splines em múltiplas dimensões, mantendo as propriedades
de suavidade e precisão (Esmaeili et al., 2019; Levin & Gruberger, 2025).
Dada uma função f(x) tabelada em pontos x0 < x1 < ⋯ < xn, uma spline
interpolante de grau p (Sp(x)) deve satisfazer:
a) Em cada subintervalo [xi, xi + 1], Sp(x) é um polinômio de grau p;
b) Sp(x) é contínua e tem derivadas contínuas até ordem p−1 em [x0, xn];
c) Sp(xi) = f(xi) (interpola os dados nos nós).

40
A spline cúbica interpolante (S₃(x)) é uma técnica em que cada
subintervalo entre nós é modelado por um polinômio de grau ≤ 3. Suas
principais vantagens são a suavidade e a redução de oscilações indesejadas,
tornando-a amplamente utilizada em engenharia, ciência e processamento de
sinais. A spline cúbica garante que a função interpolada, sua primeira derivada
(S₃′(x)) e sua segunda derivada (S₃′′(x)) sejam contínuas em todo o intervalo. Isso
evita picos ou mudanças bruscas nos nós, proporcionando uma transição suave
entre os subintervalos. Essa propriedade é fundamental para aplicações que
exigem curvas suaves, como modelagem geométrica e reconstrução de funções
a partir de dados experimentais. Comparada a polinômios de alto grau, a spline
cúbica apresenta muito menos oscilações (efeito Runge), mesmo com muitos
pontos de interpolação. Isso ocorre porque cada polinômio atua localmente,
reduzindo o risco de comportamento errático em todo o domínio. Além disso, a
precisão da spline cúbica pode ser aumentada com mais nós, sem comprometer
a estabilidade (Eremeev & Rackovich, 2021; Eremeev, 2022; Poulinakis et al.,
2023).
Para construir S3(x), definem-se polinômios Sk(x) = ak (x − xk) 3 + bk (x − xk)
2 + ck (x − xk) + dk em cada subintervalo [xk − 1, xk]. Os coeficientes ak , bk , ck , dk são
determinados por:
a) Interpolação: S3(xi) = f(xi);
b) Continuidade: S3(x), S3′(x), e S3′′(x) devem ser contínuas nos nós.
Isso gera um sistema com 4n coeficientes, sujeito a 4n − 2 condições, deixando 2
graus de liberdade.
As condições adicionais para fechar o sistema podem ser:
a) Spline natural: S3′′(x0) = S3′′(xn) = 0 (polinômios lineares nos extremos);
b) Derivadas segundas iguais nos extremos: g0 = g1, gn = gn−1;
c) Condições de contorno fixas: Impor valores para S3′(x0) e S3′(xn).
O método é amplamente usado em meteorologia para interpolar dados discretos
(como séries temporais de temperatura ou pressão), garantindo suavidade e evitando erros

41
de super ajuste comuns em polinômios de alto grau. Funções Splines foram usadas neste
estudo no preenchimento das falhas de obtenção de dados de refletâcia.
4 METODOLOGIA
4.1 Detecção de Nuvens Baixas e Nevoeiro (FLC) no Período Diurno
No período diurno, a identificação de FLC utilizando o Advanced Baseline Imager
(ABI) do GOES-16 é realizada por meio de uma abordagem multiespectral que explora as
diferenças na reflectância e na temperatura de brilho das gotículas de água.
Na discriminação pelo Albedo (Visível e NIR), a banda C02 (0.64 μ m, Visível
Vermelho) é utilizada para medir a refletância solar das nuvens, que é tipicamente alta para
nevoeiros de água líquida. A banda C03 (0.86 μm, Infravermelho Próximo) complementa
esta análise, sendo utilizada para diferenciação Superfície-Nuvem, uma vez que gotículas
de água refletem fortemente no C03, enquanto a vegetação (comum nas áreas próximas ao
Aeroporto Zumbi dos Palmares) apresenta baixa reflectância devido à absorção. E Controle
de Qualidade, pois a análise do albedo nessas bandas ajuda a refinar os limiares e a evitar
falsos positivos de superfícies claras.
Apesar da banda C07 (3.9 μm) sofrer contaminação solar (radiação solar refletida),
a diferença de temperatura de brilho (BTD) que utiliza esta banda continua sendo
fundamental. Para o dia, a principal técnica quantitativa utilizada para diferenciar nuvens
baixas (gotículas pequenas) de nuvens de gelo (cristais maiores) é baseada na Diferença de
Temperatura de Brilho (BTD) entre as bandas C07 e C13:
BTDDiurna = BTC13 - BTC07

(2)

A física aplicada diz que durante o dia, o C07 é muito mais sensível ao tamanho da
partícula do que o C13. Nuvens com partículas pequenas (nevoeiro) são menos eficientes
em absorver a radiação solar no 3.9 μm (C07) do que no 10.3 μm (C13), fazendo com que
o C07 apareça mais frio que o C13 no modo BTD diurno após a correção da componente
solar. Os valores limiares de BTDDiurna são combinados com limiares de refletância
(C02/C03) para isolar pixels que satisfazem as condições de alta refletância e as
características microfísicas de nuvens de água líquida de topo baixo.
Em resumo, a metodologia diurna para o Aeroporto Zumbi dos Palmares combinou
limiares de albedo, utilizando C02 e C03 para assegurar a presença de um corpo altamente

42
refletor (nuvem); limiares de microfísica, utilizando o BTDDiurna (C13 - C07) para
confirmar a fase líquida da nuvem (nevoeiro/nuvem baixa); e limiares de temperatura,
utilizando a temperatura absoluta da banda C13 (BTC13) para garantir que a nuvem seja
"quente" (topo baixo), distinguindo-a de nuvens convectivas altas e frias.
4.2 Detecção de Nuvens Baixas e Nevoeiro (LCF) no Período Noturno
A detecção de Nevoeiro e Nuvens Baixas (LCF) durante a noite é
fundamentalmente baseada na Diferença de Temperatura de Brilho (BTD) entre as bandas
de infravermelho de onda longa (C13 – 10,3 μm) e infravermelho de onda curta (C07 –
3,9 μm).
No período noturno, a ausência de radiação solar refletida no canal C07 (3,9 μm)
permite que a BTD revele as diferenças de emissividade entre o nevoeiro/nuvem de água
líquida e outras superfícies (solo limpo ou nuvens de gelo).
Em um cenário de nevoeiro, as gotículas de água líquida são emissores mais fracos
no canal C07 (3,9 μm) do que no C13 (10,3 μm). Essa diferença microfísica faz com que
a Temperatura de Brilho da banda C07 seja aparentemente mais baixa (fria) do que a da
banda C13. O índice primário para detecção noturna é dado pela equação (1):
Em condições de nevoeiro ou nuvens baixas de água líquida, esta diferença resulta
em valores negativos de BTDDiurna, tipicamente na faixa de 0 K > BTD > -15 K (Tabela
2).
TABELA 2 - O uso da BTDNoturno como um discriminador eficaz.

Classe de Interesse
Nevoeiro / Água
Líquida
Superfície Limpa

Sinal no BTDNoturno (BTC07
−BTC13)
Negativo (Sinal Forte)

Comportamento Radiativo
Baixa emissividade em 3,9μm

Positivo (Emissividade similar) Emissividade similar em ambos
os canais
Nuvens Altas (Gelo) Próximo de Zero ou Positivo
Opacidade e espalhamento
diferenciados
Fonte: Elaborado pelo autor (2025).

A BTD (Brightness Temperature Difference) não é uma temperatura absoluta, mas
sim uma diferença/variação entre duas temperaturas. No Sistema Internacional de
Unidades (SI), a unidade padrão para variação de temperatura é o Kelvin. Como a escala

43
Kelvin e a escala Celsius são lineares e têm o mesmo intervalo de graduação, uma variação
de 1 K é exatamente igual a uma variação de 1°C. Portanto, dizer uma diferença de "-15
K" ou "-15 °C" numericamente significa a mesma coisa. Os sensores orbitais (como o ABI
do GOES-16) extraem as Temperaturas de Brilho (Tb) nativamente em Kelvin a partir da
radiância. Mantém-se o resultado em K para evitar que o leitor confunda a diferença entre
canais (ex: 5 K) com a temperatura real do ar à superfície (que costumamos escrever em
°C).
Para a modelagem preditiva com XGBoost, o recurso BTDNoturno é introduzido
no Feature Vector (X) como um poderoso preditor que captura diretamente as
características radiativas do nevoeiro no Aeroporto Zumbi dos Palmares durante a noite,
um período de alta frequência desses eventos. A aplicação de limiares dinâmicos
(embutidos no treinamento do modelo) sobre esta feature permite uma classificação robusta
e otimizada para a segurança operacional.
4.3 Metodologia de Dados e Modelagem Preditiva
A base de dados terrestre foi constituída a partir dos Relatórios Meteorológicos de
Rotina (METAR) do Aeroporto Internacional Zumbi dos Palmares (SBMO), abrangendo
o período de 1º de janeiro de 2005 a 31 de agosto de 2025. O processo de tratamento,
realizado em ambiente Python (utilizando pandas, numpy e re), foi estruturado em etapas
sequenciais para garantir a uniformidade e a integridade da série temporal.
As mensagens METAR fragmentadas em planilhas originais (.xlsx) foram
reconstruídas utilizando Expressões Regulares (regex). O padrão METAR foi utilizado
como token de início para concatenar e validar o registro completo. Os campos relevantes
foram extraídos via regex otimizado, incluindo HORA UTC, Direção e Velocidade do
Vento, Fenômenos Meteorológicos, Nebulosidade e, crucialmente, a Visibilidade
Horizontal (inicialmente em metros), além das temperaturas do ar e do ponto de orvalho.
A Visibilidade (m) foi convertida para quilômetros (km). Valores iguais ou
superiores a 9999 foram normalizados para 10 km, representando visibilidade superior ao
limite operacional. Temperaturas e Ponto de Orvalho foram convertidas para valores
numéricos, tratando a notação M (minus) para números negativos.
A definição da variável resposta (y), ou Ground Truth para a classificação binária
foi estabelecido a partir da visibilidade horizontal:

44
< 1000 m
y i = ├ 10 sese VISIBILIDADE
VISIBILIDADE ≥ 1000 M

(3)

No preenchimento de falhas, as lacunas nas séries temporais das variáveis
numéricas (visibilidade, temperatura, pressão) foram preenchidas por Interpolação Spline
Cúbica (método spline, ordem 3). Este método, matematicamente definido pela
'

continuidade das derivadas primeira e segunda nos nós ( S ( x i ) = S ( x i ) e S ( x i ) = S ( x i ) ),
garante uma reconstrução suave e fisicamente coerente dos dados, essencial para séries
meteorológicas.
O processo de tratamento e consolidação dos dados METAR foi desenvolvido com
o objetivo de obter uma base contínua, padronizada e confiável de observações
meteorológicas do Aeroporto Zumbi dos Palmares (SBMO), em Maceió – AL, abrangendo
o período de 1º de janeiro de 2005 a 31 de agosto de 2025. A metodologia adotada
compreendeu etapas sucessivas de reconstrução das mensagens originais, extração,
padronização de parâmetros e preenchimento de falhas.
Todas as etapas de processamento foram executadas em ambiente Google Colab,
utilizando a linguagem Python com as bibliotecas pandas (para manipulação de dados),
numpy e re (para uso de expressões regulares).
Os boletins METAR foram obtidos inicialmente em formato de planilhas (.xlsx)
anuais com estruturas heterogêneas. Em um primeiro estágio, o texto de cada aba mensal
foi lido integralmente. Utilizando Expressões Regulares (Regex), as mensagens METAR
fragmentadas nas células foram reconstruídas e concatenadas a partir da identificação do
token “METAR”, gerando uma sequência ordenada de mensagens brutas prontas para
análise.
Após a reconstrução, expressões regulares específicas foram aplicadas para extrair
os principais parâmetros meteorológicos de interesse, garantindo a uniformidade e o
tratamento de variações de formato. Foram extraídos o Código da Estação (SBMO), Data
e Hora UTC (convertida para formato ISO), Direção/Velocidade do Vento, Visibilidade
Horizontal, Fenômenos Significativos (FG e CAVOK), Cobertura de Nuvens e dados
termodinâmicos (Temperatura/Ponto de Orvalho) e Pressão (hPa). A visibilidade
horizontal, originalmente em metros, foi convertida para quilômetros.

45
4.4 Consolidação Cronológica e Interpolação de Falhas
Concluído o processamento de cada ano, os dados anuais foram consolidados em
um único DataFrame cronológico (METAR_UNIFICADO), garantindo a sequência
temporal completa dos registros de 2005 a 2025 e a conversão da coluna de data e hora
para o tipo datetime para manipulação precisa.
Para corrigir lacunas pontuais nas séries temporais numéricas (visibilidade,
temperatura, ponto de orvalho e pressão), foi aplicado o método de Interpolação por Splines
Cúbicas.
Este método ajusta funções polinomiais de terceiro grau entre observações
conhecidas, assegurando a continuidade das derivadas de primeira e segunda ordem nos
nós ( x i), o que resulta em uma curva suave e fisicamente coerente, fundamental para séries
meteorológicas.
S ( x i ) = y i , S ' ( x i- ) = S ' ( x +i ) , S ' ' ( x i- ) = S ' ' ( x +i )

(4)

A interpolação foi implementada via pandas.interpolate (method = 'spline', order =
3), com extrapolação controlada para ambas as direções (limit direction = 'both').
O produto final do processo, conforme a sequência mostrada na TABELA 3, foi a
base metar_unificado_2005_2024.xlsx, com registros cronologicamente organizados,
padronizados e com alta completude, servindo como o Ground Truth (Variável Resposta)
para a modelagem de Machine Learning.

TABELA 3 - Sequência de Processamento de Dados (Pré-processamento e Features). Este
representa as etapas de preparação e unificação dos dados brutos (METAR e GOES-16) até a
criação do dataset final pronto para a modelagem.

Etapa

Ação (Procedimento)

Resultado

Início

Coleta de Dados Brutos

Arquivos METAR (Dados in-situ) e GOES-16
(Dados espectrais, CMI).

Definição da Variável
Target

Criação da variável binária Y (Nevoeiro -> 1 se
Visibilidade < 1000m, Não Nevoeiro -> 0).

Sincronização Temporal Aplicação de pd.merge_asof para associar METARs
aos dados GOES-16 com tolerância de ± 5 minutos.

Limpeza de Dados

Engenharia de Recursos Criação de features cruciais: BDT FogNight (C07-C13),
(BTDs)
BTD_WaterVapor (C13-C09), e Refl_Diff (C03C02).

Análise de
Desbalanceamento

Confirmação do extremo desbalanceamento: 99.96%
(Classe 0) vs 0.04% (Classe 1).

FIM

Dataset Final de
Treinamento

Dados unificados, limpos, com BTDs calculados e
Target definido.

Tratamento e remoção de valores nulos (NaNs) e
outliers.

Fonte: Elaborado pelo autor (2025).

4.5 Aquisição e Engenharia de Recursos do GOES-16 (ABI)
Os dados de sensoriamento remoto foram obtidos do satélite GOES-16 (GOESEast), utilizando o instrumento Advanced Baseline Imager (ABI), para o período de 2017
a 2024. O foco foi nas bandas Cloud-Moisture Imagery - CMI (Imageamento de Nuvens
e Umidade) com alta relevância para a detecção de nevoeiro.
Foram utilizadas as bandas C02 (Visível Vermelho, 0.64 μm) e C03 (NIR, 0.86 μ
m) para análise diurna de reflectância. As bandas C07 (Infravermelho de Onda Curta, 3.9
μm) e C13 (infravermelho de onda longa, 10.3 μm) foram selecionadas por sua
sensibilidade à fase da água e ao tamanho das partículas, sendo a base dos algoritmos
padrão de detecção noturna de nevoeiro e nuvens baixas.
A fusão dos datasets GOES-16 e METAR foi realizada com o critério de
vizinhança mais próxima, estabelecendo uma tolerância máxima de 5 minutos entre os
registros, resultando no dataset unificado para o treinamento.

47
O intervalo temporal para os dados de reflectância e temperaturas de brilho
(bandas CMI do GOES-16) utilizados no treinamento do modelo abrange
aproximadamente 7 anos e está limitado pela disponibilidade dos dados do satélite (que
começou a operar em 2017) e pelo período em que foi feita a coleta.
A data inicial e final do dataset de refletâncias (bandas CMI_C02 a CMI_C13),
antes da sincronização com os dados METAR, é a seguinte: de 10 de julho de 2017, às
21:15:38 a 30 de dezembro de 2024, às 23:10:20. Esta é a extensão temporal dos dados
de satélite que foram combinados com os dados METAR (que começam em 2005, mas só
são utilizáveis para esta análise a partir de 2017). O modelo foi treinado, portanto, com
observações GOES-16 dentro deste período.
4.6 Engenharia de Recursos (Feature Engineering)
Para extrair o poder discriminativo espectral do sensor ABI/GOES-16, o conjunto
de preditores originais (X) foi enriquecido por meio da Engenharia de Recursos (Feature
Engineering), com a criação de três novas variáveis meteorologicamente estruturadas a
partir das bandas de reflectância e temperatura de brilho (em Kelvin):
● BTD Noturno para Nevoeiro ( BDT FogNight ): Desenvolvida para cenários noturnos e
crepusculares, esta feature explora a assimetria de emissividade das gotículas de água
líquida entre as bandas de 10,3 μm (alta emissividade) e 3,9 μm (baixa emissividade),
resultando em valores caracteristicamente negativos na presença de nevoeiro.
● BTD de Vapor d'Água ( BDT WaterVapor ): Calculada pela diferença entre as bandas C13 e
C09 (CMI C 13 - CMI C 09), com a finalidade de monitorar a dinâmica de umidade nos níveis
médios e altos da troposfera litorânea.
● Diferença de Refletância Diurna (Refl . Diff .): Definida pela subtração das bandas do
infravermelho próximo e do visível vermelho (CMI C 03 - CMI C 02), voltada para aperfeiçoar
a discriminação diurna entre o topo de nuvens líquidas e a vegetação continental
circundante ao aeródromo.
Com o intuito de validar a relevância dessas novas variáveis criadas antes da etapa
de balanceamento e modelagem final, aplicou-se o algoritmo classificador XGBoost para
mapear o ganho de informação relativo de cada atributo. A contribuição individual das 10
features satelitárias resultantes é apresentada na Figura 5.

48
FIGURA 5 - Análise de Importância de Features (XGBoost) para o conjunto de variáveis
espectrais do ABI.

Fonte: Elaborado pelo autor (2025).

Conforme observado na Figura 5, a análise de relevância revelou que todas as três
features construídas artificialmente ( BDT WaterVapor , Refl . Diff . e BDT FogNight ) integraram o
espectro de decisão do modelo, justificando a sua implementação metodológica. A variável
BDT WaterVapor posicionou-se como o quarto atributo mais relevante (contribuição de ~
0,10).
Embora a literatura aponte a técnica de BTD noturna como o principal pilar físico
para a detecção de nevoeiros, a variável BDT FogNight ocupou a sétima posição geral no
modelo global. Esse comportamento é reflexo direto do extremo desbalanceamento do
banco de dados (onde eventos de nevoeiro representam apenas 0,04% da amostra). Dado
que a esmagadora maioria dos pixels corresponde a períodos de céu limpo ou nebulosidade
diurna comum, o algoritmo priorizou as bandas de reflectância diurna
CMI C 05 (1,61 μm) e CMI C 03 (0,86 μm) devido à capacidade síncrona
de discriminar o solo litorâneo e descartar falsos alarmes em larga escala.
O extremo desbalanceamento entre as classes representou o principal desafio
metodológico deste estudo. Um classificador ingênuo que simplesmente predissesse a
ausência perpétua do fenômeno atingiria uma acurácia global superior a 99,96%
(FIGURA 6). No entanto, essa métrica torna-se inútil para a avaliação de desempenho real

49
em contextos de segurança aeronáutica. Sem intervenção, o algoritmo XGBoost seria
severamente enviesado em direção à classe majoritária ('Não Nevoeiro'), falhando em
mapear as assinaturas espectrais e microfísicas sutis dos escassos 27 eventos de nevoeiro
registrados. Essa assimetria distributiva justifica e fundamenta a aplicação da técnica de
superamostragem SMOTE (Synthetic Minority Over-sampling Technique) associada ao
ajuste de pesos (scale_pos_weight), deslocando o foco de avaliação do modelo para
métricas holísticas e direcionadas à classe minoritária, como o Recall (capacidade de
capturar os eventos críticos) e a área sob a curva ROC (ROC AUC).
Adicionalmente, cumpre ressaltar que a manutenção da série temporal completa
— englobando todos os meses do ano — foi deliberadamente adotada em detrimento de
uma abordagem restrita exclusivamente ao período climatologicamente mais chuvoso da
costa leste nordestina (maio, junho, julho e agosto). Essa decisão fundamenta-se em
critérios operacionais e estatísticos. Sob a ótica operacional da aviação civil, o
gerenciamento de tráfego aéreo exige um sistema preditivo com disponibilidade contínua
(24 horas, 365 dias por ano); omitir os meses de transição ou o período seco anularia a
capacidade do modelo de detectar nevoeiros extemporâneos ou de radiação, cuja
ocorrência, embora raríssima fora do inverno local, possui um potencial disruptivo ainda
maior por surpreender a gestão aeroportuária. Do ponto de vista do aprendizado de
máquina, restringir o dataset aos meses chuvosos privaria o algoritmo de aprender a
variabilidade de fundo (background) da superfície e da atmosfera do Aeroporto Zumbi
dos Palmares durante o restante do ano. O XGBoost necessita ser exposto a cenários de
céu limpo, forte resfriamento radiativo noturno na época seca e advecção de umidade em
meses marginais para calibrar seus limiares de decisão de forma robusta, minimizando a
taxa de Falsos Alarmes sem comprometer a integridade e a generalização global do
sistema preditivo.

FIGURA 6 - EDA: Distribuição da Variável Target (Nevoeiro) para o período de 2017 a 2024,
onde a classe 0 (não nevoeiro) apresenta uma contagem de 65.641, sendo a classe majoritária com
99,96 %, e a classe 1 (nevoeiro) apresenta uma contagem de 27, sendo a classe minoritária (evento
raro) com 0,04%.

Fonte: Elaborado pelo autor (2025).

4.7 Framework de Machine Learning (XGBoost)
O problema de previsão de nevoeiro foi tratado como uma classificação binária
supervisionada utilizando o classificador XGBoost (eXtreme Gradient Boosting).
A escolha do XGBoost foi validada pelo seu desempenho superior, alcançando um
ROC AUC Score de 0.7532 no conjunto de teste, indicando a maior capacidade intrínseca
de discriminação das classes em relação a outros modelos avaliados. Devido ao extremo
desbalanceamento (0.04% de eventos de Nevoeiro no teste), a técnica SMOTE (Synthetic
Minority Over-sampling Technique) foi aplicada exclusivamente ao conjunto de
treinamento. Esta reamostragem sintética foi essencial para que o modelo aprendesse as
características da classe minoritária, prevenindo que o classificador convergisse apenas
para a classe majoritária (Não Nevoeiro). A estratégia de minimização de risco
operacional (Falsos Negativos) foi alcançada pela otimização do limiar de classificação

τ . O valor de τ = 0.0707 foi definido ao maximizar o F1-Score no conjunto de validação.
O modelo final de classificação é dado por:

51
) seP ( X ) ≥ ≥ 0.0707
Previsão = ├ 10 (( Nevoeiro
NãoNevoeiro ) seP ( X ) < 0.0707

A matriz de confusão otimizada revelou o trade-off aceito: um Recall de 0.20
(detecção de 1 dos 5 eventos), garantido pela aceitação de 349 Falsos Alarmes (FP),
refletindo a priorização da segurança aeronáutica (minimizar Falsos Negativos) sobre a
eficiência operacional (minimizar Falsos Positivos).
A modelagem com o XGBoost com ajuste de peso, apresentou um peso do evento
de nevoeiro de 2386.91, garantindo o sucesso no treinamento do modelo (TABELA 4).
TABELA 4 - Sequência de Treinamento e Otimização do Modelo de Machine Learning. Este
detalha o fluxo de trabalho desde a divisão dos dados até a validação final do modelo XGBoost,
com foco nas técnicas para lidar com o desbalanceamento de classes.

Etapa

Ação (Procedimento)

Início
1

Dataset Final
Entrada de features X e target Y.
Divisão Estratificada (Split) Separação em XTreino, YTreino e XTeste, YTeste (e.g.,
80/20%), mantendo a proporção de Nevoeiro.

Balanceamento de
Treinamento (SMOTE)

Aplicação do SMOTE (Synthetic Minority Oversampling Technique) APENAS no conjunto de
Treinamento para gerar dados sintéticos e igualar
as classes.

Seleção e Treinamento do
Modelo

Treinamento do XGBoost Classifier utilizando
XTreino_SMOTE e YTreino_SMOTE.

Avaliação da Discriminação Cálculo do ROC AUC Score no conjunto de Teste
Original XTeste. (Melhor ROC AUC alcançado:
0.7532.
Otimização do Limiar (τ) Busca por (e.g., 0.0707) que maximize o F1Score no conjunto de Teste.

Comentário/Foco

Validação das Métricas de
Detecção

Cálculo da Matriz de Confusão e do Recall no
conjunto de Teste Original, usando o otimizado.

Análise de Importância de
Features

Geração do gráfico de Feature Importance
(XGBoost) para identificar os preditores
espectrais mais relevantes (CMI/BTDs).

Teste de Previsão em Tempo Aplicação do modelo (XGBoost + = 0.0707) a
Real
uma data específica para validação prática e
operacional.

52
FIM

Resultados Publicáveis

Matriz de Confusão Final, ROC AUC, e lista de
Features Mais Importantes.

Fonte: Elaborado pelo autor (2025).

4.8 Caracterização do Spread Termodinâmico (T - T_d)
A análise da saturação da camada limite planetária (CLP) será fundamentada no
cálculo da depressão do ponto de orvalho (spread), definida como a diferença aritmética
entre a temperatura do ar (T) e a temperatura do ponto de orvalho (Td), expressa pela
equação:
Spread = T - Td

(6)

Esta variável é um indicador direto da umidade relativa e do quão próximo o ar
está da saturação. No contexto deste estudo, o spread cumpre três funções metodológicas
essenciais:
1. Indicador de Saturação e Condensação: Fisicamente, a formação de hidrometeoros
(nevoeiro) exige que a parcela de ar atinja o estado de saturação (100% de umidade
relativa), o que ocorre quando T ≈ Td. Para fins de modelagem e diagnóstico, será
adotado o limiar crítico de Spread ≤ 2°C para a identificação de condições favoráveis
à condensação superficial, conforme preconizado pela literatura meteorológica
aeronáutica.
2. Validação de Assinaturas de Sensoriamento Remoto: O Spread será utilizado como o
principal validador terrestre para as Diferenças de Temperatura de Brilho (BTD) obtidas
pelo sensor ABI do GOES-16. Visto que o satélite observa o topo das camadas nubladas,
o Spread de superfície permite distinguir entre:
● Nevoeiro Real: Caracterizado por BTD negativo e Spread ≤ 2°C (saturação
acoplada ao solo).
● Nuvens Baixas (Falso Positivo): Caracterizado por BTD negativo, mas com Spread >
3°C, indicando que a base da nuvem está elevada e a camada de superfície permanece
subsaturada.
3. Feature de Restrição para Aprendizado de Máquina: No desenvolvimento do modelo
preditivo (XGBoost), o Spread será incorporado como um parâmetro de penalização ou
variável de entrada. Esta integração visa mitigar o viés sazonal do modelo, fornecendo
uma "âncora física" que impede a geração de alarmes de nevoeiro em condições de alta
temperatura e baixa umidade, comuns em períodos de verão na costa nordestina.
4.9 Uso da Radiossondagem de Natal (SBNT)
A decisão de utilizar dados de radiossondagem (Upper Air) da estação de Natal
(SBNT) em detrimento das estações mais próximas, como Maceió (SBMO), Recife

53
(SBRF) ou Salvador (SBSV), é fundamentada em critérios rigorosos de disponibilidade
de dados e representatividade climatológica em bases de dados abertas.
A principal limitação para a análise do perfil vertical em Maceió (SBMO) é a
ausência de uma estação de radiossondagem ativa e documentada nas bases de dados
globais (como as mantidas pela NOAA/Wyoming que alimentam a biblioteca
Siphon/MetPy). O METAR fornece apenas dados de superfície; para o perfil de pressão,
temperatura e umidade em altitude, a radiossondagem é indispensável.
Embora Recife (SBRF) e Salvador (SBSV) sejam geograficamente mais próximas
de Maceió do que Natal (SBNT), as tentativas de acesso às suas bases de dados históricas
(para os anos de 2024 e 2025, e até mesmo para 2022) falharam repetidamente.
O erro "No data available" ou "Server Error (503)" indica uma das seguintes
situações, que são limitações da fonte externa, não do método:
● Descontinuidade na Série Histórica: As estações podem ter descontinuado ou
interrompido temporariamente os lançamentos de balões em rotina 00 Z / 12 Z em certos
períodos.
● Falha no Reporte: Os dados foram coletados, mas não foram reportados ou arquivados
na base de dados pública utilizada pela comunidade científica e pelas ferramentas de
open-source (MetPy/Siphon).
● Restrição de Acesso Recente: Dados mais recentes podem levar tempo para serem
indexados ou podem estar sob restrição de acesso na fonte primária.
A indisponibilidade crônica e verificada de dados nestas estações, mesmo em
tentativas retrospectivas, inviabilizou o uso do SkewT-LogP para SBRF e SBSV.
A estação de Natal (SBNT), distante 219 NM (405 km) em linha reta de SBMO,
foi escolhida por ser a única estação de radiossondagem na costa Nordeste com registro
histórico robusto e confiável nas bases de dados abertas, conforme demonstrado pelo
sucesso na obtenção dos dados para 8, 11, 23 e 25 de junho de 2022.
A escolha se justifica pela:

54
● Confiabilidade de Dados (Fator Limitante): Prioriza-se a disponibilidade e integridade
do dado sobre a proximidade geográfica, garantindo que a análise termodinâmica possa
ser realizada.
● Representatividade Climatológica: Embora SBNT esteja mais distante, ela compartilha
características climatológicas essenciais com SBMO:
o Ambas estão sob o regime do Oceano Atlântico Tropical.
o Ambas são influenciadas pela Zona de Convergência Intertropical (ZCIT) e
pelos Ventos Alísios.
o As condições de estabilidade da baixa atmosfera e a presença de Inversões
Térmicas de Alísios (cruciais para o nevoeiro) são fenômenos de escala sinótica
que se estendem por toda a costa Nordeste, sendo bem representados por SBNT.
A utilização do perfil vertical de SBNT é uma solução metodológica baseada na
otimização de dados disponíveis, que permite a validação do contexto físico da formação
de nevoeiro, sem comprometer significativamente a representatividade dos processos
atmosféricos em grande escala na região.
5. RESULTADOS E DISCUSSÃO DA MODELAGEM
O presente capítulo apresenta a validação do framework preditivo de nevoeiro
(FG) e baixa visibilidade desenvolvido, concentrando-se no desempenho do modelo
XGBoost treinado com dados do GOES-16 e METAR. Inicialmente, é apresentada uma
análise de caso (junho de 2022) para contextualizar a relação entre os fenômenos sinóticos
e as condições locais de baixa visibilidade no SBMO, além de um ensaio de previsão para
o dia 6 de janeiro de 2025.
5.1 Análise da Validação Operacional: Previsão em Lote (junho/2022)
O evento registrado em 8 de junho de 2022 às 09:00 UTC em Maceió configurase como um exemplo clássico de nevoeiro radiativo denso, validado pela concordância
entre observações de superfície e sensoriamento remoto.
O parâmetro determinante foi a Depressão do Ponto de Orvalho (Spread) de
0,60°C, indicando umidade relativa superior a 97%. O resfriamento radiativo noturno
reduziu a temperatura do ar até o ponto de saturação, forçando a condensação de gotículas
na superfície.

55
O BDT FogNight (-61,93°C) revelou uma camada de nuvens líquidas extremamente
densa. A reflectância de 29,86% confirmou o fenômeno de Espalhamento Mie,
sinalizando visibilidade horizontal crítica, possivelmente inferior a 500 metros. O valor
negativo do BDT WaterVapor (-26,68°C) indicou saturação também em níveis médios, o que
retarda a dissipação solar e prolonga a obstrução visual. A probabilidade gerada pelo
algoritmo foi de 99,14% (TABELA 5). Diferente de casos com alta temperatura, aqui a
física de superfície ratificou a estatística, mantendo a probabilidade bruta e confirmando
a necessidade de operações sob Regras de Voo por Instrumentos (IFR) ou o fechamento
do aeródromo.
TABELA 5 - Resultados da previsão obtidos do modelo XGboost a partir dos dados de superfície
(METAR) e do GOES-16 para 8 de junho de 2022 em SBMO.

Termodinâmica da Superfície (Radiossondagem/METAR)
Temperatura (T)

22,4°C

Ponto de Orvalho (Td)

21,8°C

Spread (T-Td)

0,60°C

SATURADO (risco de
Nevoeiro

Assinatura de Satélite (GOES-16)
BDTFogNight

-61,93°c

BDTWaterVapor

-26,68°c

DIF.REFLL.

29,86%

RESULTADO RECALIBRADO (EVENTO REAL)
Probabilidade Bruta (Satélite) 0,9914
Probabilidade Ajustada

0,9914

(Termodinâmica)
Diagnóstico

ALARME

NEVOEIRO CONFIRMADO
(Visibilidade Reduzida)

Fonte: Elaborado pelo autor via XGboost (2025).

56
A análise da Figura 7 demonstra que a redução da visibilidade em Maceió não é
linear (Anexo 2), mas segue um processo de extinção exponencial fundamentado em dois
pilares físicos e validado por inteligência computacional. O baixo Spread (0,60°C)
induziu a supersaturação da atmosfera, ativando núcleos de condensação. A alta
refletância (29,86%) confirma o Espalhamento Mie, onde o tamanho das gotículas obstrui
a luz visível, reduzindo a visibilidade para níveis críticos, inferiores a 500 metros.
O modelo XGBoost atingiu 99,14% de probabilidade, coincidindo com a queda
abrupta da visibilidade abaixo dos mínimos operacionais (IFR). Diferente do cenário de
verão com alta visibilidade, a física validou o alarme sem necessidade de penalização. O
BDT WaterVapor negativo (-26,68°C) revelou que a umidade não era apenas superficial, mas
profunda. Isso explica a persistência de 4 horas do nevoeiro, criando um "platô" de baixa
visibilidade que retarda a dissipação solar e impacta o tempo de fechamento do
aeródromo.
O evento do dia 8 de junho de 2022 ilustra a alta complexidade e intermitência do
nevoeiro no aeródromo de Maceió. A oscilação observada entre as 04:00 UTC e 06:00
UTC — onde a visibilidade saltou temporariamente de menos de 1.000 m para 8.000 m
antes de decair novamente — evidencia as limitações de sistemas de alerta baseados em
persistência climatológica ou limiares estáticos simples (FIGURA 7). Tais flutuações
justificam o emprego de algoritmos de alta sensibilidade não-linear, como o XGBoost
alimentado por dados multiespectrais de alta resolução temporal do GOES-16, capazes de
rastrear as assinaturas precursoras dessas transições dinâmicas na camada limite.

FIGURA 7 - Evolução temporal da visibilidade horizontal horária no Aeroporto Zumbi dos
Palmares no dia 8 de junho de 2022.

Fonte: Elaborado pelo autor (2025).

A Figura 7 ilustra o perfil temporal da visibilidade horizontal (em metros) registrada
no aeródromo de Maceió (SBMO) ao longo das 24 horas do dia 8 de junho de 2022,
expressa em Horário Universal Coordenado (UTC). Observa-se que o período inicial da
madrugada (até às 02:00 UTC) apresentou condições de céu limpo com visibilidade
máxima irrestrita de 10.000 m.
O início do evento de restrição severa ocorre de forma abrupta às 03:00 UTC (00:00
h no horário local), com a visibilidade declinando para patamares críticos inferiores a 1.000
m. Às 05:00 UTC (02:00 h local), o gráfico registra uma oscilação anômala de curto prazo,
com uma melhoria temporária da visibilidade para 8.000 m, sugerindo processos dinâmicos
locais na camada limite, tais como flutuações na velocidade do vento ou a passagem
fragmentada de bancos de nevoeiro (patchy fog).
Logo em seguida, às 06:00 UTC, as condições meteorológicas voltam a se
deteriorar severamente, mantendo o aeródromo fechado com visibilidades próximas a zero
metros até às 09:00 UTC. O processo de dissipação total por subsidência e aquecimento
radiativo solar consolida-se a partir das 11:00 UTC (08:00 h local), momento em que a
visibilidade retoma o teto estável de 10.000 m, permanecendo irrestrita durante todo o
período diurno e noturno subsequente.
Os perfis gerados para Maceió revelam uma atmosfera dinamicamente ativa. Nos
dias analisados (especialmente em junho, período chuvoso na região), a variabilidade das

58
curvas de BTD demonstra a transição frequente entre estados de céu claro e a formação
de nuvens quentes de origem marítima. A estabilidade observada em certos períodos da
manhã, interrompida por quedas de temperatura e picos de reflectância à tarde, sugere um
regime de brisa marítima que induz a convecção local, forçando a ascensão de parcelas de
ar úmido e a consequente condensação (FIGURA 8).
FIGURA 8 - Diferença de Temperatura de Brilho (BTD) e Reflectância Diferencial para 8 de
junho de 2022.

Fonte: Elaborado pelo autor (2025).

O diagrama SkewT-LogP obtido para SBNT em 08/06/2022 12:00 UTC (09:00h
local) serve como uma evidência física crucial para explicar as condições atmosféricas
que levam à formação do nevoeiro na costa nordestina.
O perfil revela os seguintes fatores, típicos de cenários de baixa visibilidade: na
região próxima à superfície (entre 1000 hPa e 900 hPa), a Temperatura do Ar (em
vermelho) e o Ponto de Orvalho (em azul) estão significativamente próximos ou quase
sobrepostos, indicando uma alta saturação na camada limite planetária. Esta alta umidade
é o combustível físico para o nevoeiro; é provável que o perfil mostre uma Inversão
Térmica (aumento de T com a altitude) logo acima da superfície. Esta inversão impõe
forte estabilidade ao ar, impedindo que o ar úmido e resfriado ascenda. Essa "tampa" é o
mecanismo chave que permite a formação e a persistência do nevoeiro de radiação ou a
manutenção de nuvens Stratus baixas; e as bárbelas de vento na camada inferior devem
indicar ventos fracos. A calmaria (ou ventos leves) é essencial para minimizar a mistura

59
vertical do ar, permitindo o resfriamento por radiação eficiente e a concentração de
umidade perto do solo (FIGURA 9).

FIGURA 9 - Diagrama termodinâmico SkewT-LogP de Natal (SBNT - 08/06/2022 12Z).

Fonte: Wyoming Weather Web acessado em 10 de setembro de 2025, às 21:20.

11 de junho de 2022 demonstra a convergência entre a termodinâmica de
superfície e o sensoriamento remoto, validando a ocorrência de um nevoeiro radiativo
severo. O parâmetro central foi o Spread de 0,80°C, indicando uma Umidade Relativa
(UR) entre 95-97%. A temperatura de 21° (inverno local) e o resfriamento radiativo
noturno permitiram que o ar atingisse a saturação, acoplando a camada de nuvens ao solo.
O valor de -55,80°C do BDT FogNight confirmou a presença de nuvens de água líquida densas
e espessas. O índice de 22,11% da refletância sinalizou o fenômeno de Espalhamento Mie,
resultando na redução da visibilidade horizontal para níveis inferiores a 1.000 metros. A
probabilidade bruta de 0,9450 não sofreu redução. O baixo Spread atuou como um filtro
de verossimilhança, confirmando a assinatura de satélite e consolidando o diagnóstico de
alarme real. O evento é classificado como um Verdadeiro Positivo, onde a integração de

60
dados (hibridismo) permitiu ao modelo confirmar a obstrução visual severa, garantindo a
precisão diagnóstica em condições de inverno (TABELA 6).
TABELA 6 - Resultados da previsão obtidos do modelo XGboost a partir dos dados de superfície
(METAR) e do GOES-16 para 11 de junho de 2022 em SBMO.

Termodinâmica da Superfície (Radiossondagem/METAR)
Temperatura (T)

21,0°C

Ponto de Orvalho (Td)

20,2°C

Spread (T-Td)

0,80°C

SATURADO (risco de
Nevoeiro

Assinatura de Satélite (GOES-16)
BDTFogNight

-55,80°c

BDTWaterVapor

-19,98°c

DIF.REFLL.

22,11%

RESULTADO RECALIBRADO (EVENTO REAL)
Probabilidade Bruta (Satélite) 0,9450
Probabilidade Ajustada

0,9450

(Termodinâmica)
Diagnóstico

ALARME

NEVOEIRO CONFIRMADO
(Visibilidade Reduzida)

Fonte: Elaborado pelo autor via XGboost (2025).

Ao atingir a saturação (Spread = 0,80°C), a visibilidade despenca para menos de
500m. Esse fenômeno é explicado pela Lei de Beer-Lambert, onde a densidade de
gotículas causa uma extinção exponencial da luz através do Espalhamento Mie
(confirmado pela alta reflectância de 22,11%). O evento não foi passageiro devido à
profundidade da camada de umidade (indicada pelo BDT WaterVapor negativo de -19,98°C).
Isso criou um platô de visibilidade reduzida, dificultando a dissipação solar e mantendo o
aeródromo sob condições IFR por um período de 6 horas (FIGURA 11) (Anexo 3).

61
A Figura 10 apresenta o comportamento horário da visibilidade horizontal (em
metros) no aeródromo de Maceió (SBMO) ao longo do dia 11 de junho de 2022, em Horário
Universal Coordenado (UTC). O gráfico revela dois regimes distintos de restrição de
visibilidade: um evento severo e contínuo de matriz estável durante o período
noturno/madrugada e instabilidades secundárias no período diurno. O evento principal
inicia-se com um declínio acentuado às 02:00 UTC (23:00 h do dia anterior no horário
local), onde a visibilidade despenca de 10.000 m para patamares críticos inferiores a 500
m. Essa condição de forte restrição (visibilidade horizontal flutuando entre 200 m e 400 m)
estende-se ininterruptamente por sete horas, configurando um cenário clássico de nevoeiro
maduro e persistente. A dissipação ocorre rapidamente às 09:00 UTC (06:00 h local) com
o início do ciclo termo-radiativo solar, restabelecendo o teto de 10.000 m. No período da
tarde, observam-se duas reduções secundárias na visibilidade: a primeira às 14:00 UTC
(11:00 h local), com queda para 5.000 m, e a segunda entre 17:00 UTC e 18:00 UTC (14:00
h e 15:00 h local), atingindo novamente o patamar de 5.000 m. Diferente do evento
termodinâmico da madrugada, essas oscilações diurnas com restrição moderada são
caracteristicamente associadas a fatores dinâmicos de escala local, tais como a ocorrência
de precipitação (pancadas de chuva isoladas), fenômeno frequente no quadrimestre
chuvoso da costa leste do Nordeste.
O modelo demonstrou alta precisão ao atingir o teto de probabilidade (94,50%)
exatamente quando a visibilidade atingiu o seu piso técnico. A ausência de penalização
(devido ao baixo Spread) valida que o algoritmo capturou corretamente a barreira física à
operação aérea.

FIGURA 10 - Evolução temporal da visibilidade horizontal horária no Aeroporto Zumbi dos
Palmares no dia 11 de junho de 2022.

Fonte: Elaborado pelo autor (2025).

Valores negativos acentuados nesta curva durante os períodos noturnos sugerem a
presença de camadas de estratos ou nevoeiros marítimos, fenômenos recorrentes no litoral
alagoano devido à advecção de umidade oceânica sob condições de estabilidade térmica
superficial. A curva BDT WaterVapor , calculada entre as bandas de absorção de vapor
(frequentemente 8.4 μ m) e a janela atmosférica (10.3 μm), monitora o conteúdo de
umidade na média e alta troposfera. A convergência dessas curvas para valores próximos
de zero indica que o topo das nuvens atingiu níveis elevados da troposfera (nuvens de
grande desenvolvimento vertical, como Cumulonimbus). Quando as curvas se mantêm
afastadas, a atmosfera apresenta-se mais seca em níveis superiores, permitindo maior
transparência radiativa. O parâmetro de refletância no canal visível (0.64 μm) quantifica
a radiação solar retroespalhada pela atmosfera e superfície. Picos de refletância que
excedem os valores basais da superfície (geralmente > 20 %) correlacionam-se
inversamente com a temperatura de brilho. A análise conjunta revela que, nos momentos
de máxima reflectância diurna, ocorre uma queda correspondente nas temperaturas de
brilho, confirmando radiometricamente a presença de cobertura de nuvens densas que
obscurecem a emissão térmica da superfície de Maceió (FIGURA 11).
Os dados sugerem um regime atmosférico dinâmico, típico de regiões tropicais
costeiras. A transição entre estados de "céu claro" e "cobertura de nuvens quentes" é
claramente demarcada pelas oscilações nas curvas de BTD. A estabilidade observada em

63
certos intervalos, interrompida por aumentos súbitos na refletância e variações térmicas,
aponta para ciclos de convecção rasa induzidos pela brisa marítima, modulando o
microclima local e a disponibilidade hídrica atmosférica sobre o aeroporto de Maceió
(SBMO).
FIGURA 11 - Diferença de Temperatura de Brilho (BTD) e Reflectância Diferencial para 11 de
junho de 2022.

Fonte: Elaborado pelo autor (2025).

O diagrama SkewT-LogP obtido para SBNT (Natal) em 11/06/2022 12:00 UTC
(09:00h local) oferece a validação física e o contexto termodinâmico para as condições de
formação de nevoeiro na costa Nordestina.
O perfil atmosférico obtido exibe as condições cruciais para a baixa visibilidade
matinal como a proximidade (ou sobreposição) entre a Temperatura do Ar e o Ponto de
Orvalho na camada limite planetária (abaixo de 900 hPa), indicando um ambiente
saturado. Esta umidade abundante é o requisito primário para a condensação e formação
de nevoeiro; a presença de uma Inversão Térmica (temperatura aumentando com a
altitude) na baixa troposfera atua como uma camada de retenção. Ela inibe a mistura
vertical do ar, "aprisionando" a umidade e o resfriamento radiativo perto da superfície.
Esta forte estabilidade é o fator que permite que o nevoeiro persista por tempo suficiente
para impactar as operações aeroportuárias; e as bárbelas de vento (não exibindo
velocidades altas na camada inferior) indicam condições de calmaria ou ventos leves. Isso
é essencial, pois o vento fraco impede a turbulência que misturaria a camada úmida com

64
o ar seco acima, permitindo que a saturação na superfície se mantenha e forme o nevoeiro
de radiação (FIGURA 12).
FIGURA 12 - Diagrama termodinâmico SkewT-LogP de Natal (SBNT - 11/06/2022 12Z).

Fonte: Wyoming Weather Web acessado em 10 de setembro de 2025, às 21:20.

O dia 23 de junho de 2022 caracteriza-se como um Verdadeiro Positivo severo,
onde a saturação atmosférica foi catalisada pela fumaça das festividades regionais,
resultando em obstrução visual crítica. O parâmetro térmico central foi o Spread de 1,20°C
(UR ≈ 93%). A queima de biomassa injetou grandes volumes de material particulado na
Camada Limite Planetária. Esses aerossóis atuaram como Núcleos de Condensação
Higroscópicos (CCN), permitindo a formação de gotículas mesmo antes do ar atingir
100% de umidade. O resultado foi um nevoeiro de mistura/radiação denso e persistente.
Os dados do sensor ABI do GOES-16 confirmaram a severidade. O BDT FogNight (-58,10°C)
indicou uma camada líquida espessa. A reflectância de 26,35% comprovou o
Espalhamento Mie, que reduz drasticamente o contraste e a visibilidade para patamares

65
IFR. O BDT WaterVapor (-22,75°C) revelou uma coluna de umidade profunda, sugerindo que
o nevoeiro demoraria a se dissipar, mantendo o aeródromo operando abaixo dos mínimos
por um período prolongado. O algoritmo XGBoost demonstrou alta maturidade ao manter
a probabilidade em 96,20%. Não houve penalização da probabilidade porque o dado de
superfície (METAR) validou a assinatura espectral do satélite (TABELA 7). O hibridismo
entre dados orbitais e terrestres eliminou a possibilidade de falso alarme, confirmando a
ocorrência de smog (fog + smoke). O diagnóstico preciso permitiu prever o fechamento
da pista em Maceió (SBMO) devido à combinação de fatores meteorológicos e poluição
local. O modelo provou ser uma ferramenta robusta para a gestão de riscos em condições
em que a visibilidade é comprometida não apenas pela física natural, mas também por
interferências humanas. Com as condições físicas ideais, o modelo XGBoost disparou o
alarme (probabilidade de 0,9620).
TABELA 7 - Resultados da previsão obtidos do modelo XGboost a partir dos dados de superfície
(METAR) e do GOES-16 para 23 de junho de 2022 em SBMO.

Termodinâmica da Superfície (Radiossondagem/METAR)
Temperatura (T)

21,5°C

Ponto de Orvalho (Td)

20,3°C

Spread (T-Td)

1,20°C

SATURADO (risco de
Nevoeiro

Assinatura de Satélite (GOES-16)
BDTFogNight

-55,10°c

BDTWaterVapor

-22,75°c

DIF.REFLL.

26,35%

RESULTADO RECALIBRADO (EVENTO REAL)
Probabilidade Bruta (Satélite) 0,9620
Probabilidade Ajustada

0,9620

(Termodinâmica)
Diagnóstico

ALARME

NEVOEIRO/NEVOA
CONFIRMADO

Fonte: Elaborado pelo autor via XGboost (2025).

O evento destaca-se por uma dinâmica de visibilidade complexa, onde a queima
de biomassa alterou a microfísica da atmosfera local. Diferente de eventos puros, a queda
de visibilidade ocorreu com um spread de 1,20°C. A abundância de Núcleos de
Condensação Higroscópicos (CCN) das fogueiras permitiu a formação de gotículas em
regime de subsaturação, resultando em uma mistura densa de fumaça e névoa (smog) que
reduziu a visibilidade para menos de 800m (IFR). O gráfico de visibilidade da Figura 14
apresenta uma base larga e estável. A profundidade da camada de umidade e particulados
(confirmada pelo BDT WaterVapor de -22,75°C) provocou um retroespalhamento intenso da
luz solar (Espalhamento Mie), retardando o aquecimento da superfície e tornando a
dissipação do fenômeno mais lenta.
O algoritmo XGBoost manteve alta confiança (96,20%), demonstrando que a
integração dos dados de superfície impediu a "queda de confiança" que um Spread acima
de 1°C poderia causar. O modelo provou ser capaz de interpretar a complexidade
microfísica do evento, validando a obstrução real detectada pelo satélite.
A Figura 13 detalha o comportamento da visibilidade horizontal (em metros)
registrada na estação meteorológica do aeródromo de Maceió (SBMO) ao longo de um
ciclo de 24 horas, plotada em Horário Universal Coordenado (UTC). O perfil temporal
deste evento revela uma atmosfera altamente dinâmica, caracterizada por três fases
distintas de restrição de visibilidade. A primeira fase ocorre no início do período de
contagem (00:00 às 02:00 UTC), exibindo uma oscilação na visibilidade que cai para 4.000
m às 01:00 UTC antes de se restabelecer e atingir o teto de 10.000 m entre 03:00 e 05:00
UTC. A segunda fase marca o início do evento principal de nevoeiro de radiação às 06:00
UTC (03:00 h no horário local). O declínio é extremamente abrupto, rompendo a barreira
operacional de segurança e mantendo-se em níveis críticos (abaixo de 1.000 m) até às 09:00
UTC (06:00 h local). O processo de dissipação ocorre de forma gradual a partir das 10:00
UTC, com a atmosfera retomando a saturação plena de 10.000 m às 11:00 UTC (08:00 h
local) devido ao aquecimento solar da superfície. Por fim, a terceira fase apresenta uma
redução secundária e isolada às 13:00 UTC (10:00 h local), com a visibilidade caindo
pontualmente para 5.000 m, retornando imediatamente para 10.000 m na hora subsequente.
Esta assinatura de curta duração em ambiente puramente diurno e com forte insolação é
meteorologicamente associada a fenômenos de microescala, como o desengajamento de

67
nuvens baixas de fraco desenvolvimento vertical ou, mais frequentemente, a ocorrência de
uma pancada rápida de chuva isolada sobre os sensores de medição do aeródromo.
FIGURA 13 - Evolução temporal da visibilidade horizontal horária no Aeroporto Zumbi dos
Palmares no dia 23 de junho de 2022.

Fonte: Elaborado pelo autor (2025).

Conforme observado na Figura 14 a seguir, valores negativos pronunciados nesta
métrica indicam a presença de nuvens baixas ou nevoeiro marítimo, um traço marcante
da camada de limite planetária em Maceió sob influência de ventos alísios. O índice

BDT WaterVapor (diferença entre a banda de absorção de vapor d'água e a janela atmosférica)
atua como um traçador da profundidade óptica da atmosfera. Quando esta curva aproximase de zero ou cruza para valores positivos, identifica-se um topo de nuvem frio,
característico de convecção profunda ou nuvens do tipo Cirrus. Em condições de céu
claro, o distanciamento entre as curvas reflete a transparência radiativa da atmosfera
superior em relação à emissão térmica da superfície. A Refl . Diff . quantifica a fração da
radiação solar retroespalhada pelo sistema Terra-Atmosfera no espectro visível (0.64 μm).
O ciclo diurno observado é modulado pela geometria solar, mas anomalias de pico (acima
de 25%) que ocorrem simultaneamente a quedas na temperatura de brilho térmico
constituem a evidência clássica de sistemas nebulosos densos (espalhamento Mie
predominante). A análise multiespectral revela que a região de Maceió apresenta uma
atmosfera altamente sensível à convecção rasa e profunda. A correlação negativa entre a

68
refletância e as temperaturas de brilho térmico nos gráficos permite distinguir com
precisão entre o solo nu (aquecimento radiativo) e a presença de cobertura de nuvens.
A estabilidade das curvas de BTD em determinados períodos sugere janelas de
estabilidade estática, enquanto as flutuações rápidas indicam o desenvolvimento de
nebulosidade forçada pela convergência de brisa costeira. Esta metodologia é fundamental
para a segurança aeroportuária (SBMO) e para o entendimento do ciclo hidrológico
regional.
FIGURA 14 - Diferença de Temperatura de Brilho (BTD) e Reflectância Diferencial para 23 de
junho de 2022.

Fonte: Elaborado pelo autor (2025).

O diagrama termodinâmico da Figura 15 mostra as linhas de Temperatura e Ponto
de Orvalho próximas da superfície até 900 hPa, comprovando saturação profunda na
Camada Limite Planetária (CLP). Logo acima, uma inversão impedindo a dispersão
vertical e aprisionando a umidade próxima ao solo. A presença de ventos fracos (7 kt)
evitou a mistura turbulenta, favorecendo a persistência do nevoeiro de radiação observado.

69
FIGURA 15 - Diagrama termodinâmico SkewT-LogP de Natal (SBNT - 23/06/2022 12Z).

Fonte: Wyoming Weather Web acessado em 10 de setembro de 2025, às 21:20.

O dia 25 de junho de 2022 demonstrou uma falha de detecção pelo modelo
XGBoost (probabilidade 0,0650 < 0,0707), apesar de condições termodinâmicas críticas
no solo. O Spread de apenas 0,40°C comprova que a Camada Limite Planetária (CLP)
atingiu o ponto de orvalho, caracterizando a presença de um nevoeiro denso na superfície.
O satélite GOES-16 registrou um BDT FogNight fraco (-1,85°C) (TABELA 8). Isso ocorre
porque o nevoeiro era opticamente fino (raso); a radiação térmica atravessa a camada de
névoa e capta a temperatura do solo, diluindo a assinatura espectral necessária para o
alarme. O modelo, treinado majoritariamente em dados orbitais, prioriza eventos com
profundidade óptica significativa. Nevoeiros superficiais acabam confundidos com o
"ruído" térmico do solo. Neste caso, o "hibridismo" falhou porque a assinatura fraca do
satélite teve mais peso do que a saturação crítica da superfície, impedindo que a
probabilidade superasse o limiar de corte.

70
O caso serve como prova de que o sensoriamento remoto possui um limite físico
para camadas rasas. Para otimizar a segurança operacional em sua dissertação,
recomenda-se a implementação de um "Gatilho de Superfície": um alerta automático
sempre que o Spread for inferior a 0,50°C, independente da confirmação via satélite.
TABELA 8 - Resultados da previsão obtidos do modelo XGboost a partir dos dados de superfície
(METAR) e do GOES-16 para 25 de junho de 2022 em SBMO.

Termodinâmica da Superfície (Radiossondagem/METAR)
Temperatura (T)

20,8°C

Ponto de Orvalho (Td)

20,4°C

Spread (T-Td)

0,40°C

SATURADO (Presença de
Nevoeiro no Solo)

Assinatura de Satélite (GOES-16)
BDTFogNight

-1,85°c

BDTWaterVapor

26,75°c

DIF.REFLL.

13,25%

(Assinatura Fraca)

RESULTADO RECALIBRADO (FALSO NEGATIVO)
Probabilidade Bruta (Satélite) 0,0650
Limiar de Corte

0,0707

Diagnóstico

OPERACIONAL

CÉU CLARO (ERRO DO
MODELO)

Fonte: Elaborado pelo autor via XGboost (2025).

A Figura 16 revela uma desconexão crítica entre a realidade de solo (saturação) e
a leitura orbital (transparência), evidenciando os limites do sensoriamento remoto para
fenômenos superficiais. Diferente dos nevoeiros densos, o dia 25/06 apresentou uma
curva em "V": uma queda rápida de visibilidade (500m a 900m) com dissipação acelerada.
Enquanto a visibilidade real atingia níveis de IFR (operação por instrumentos), o
modelo XGBoost permaneceu subestimando o risco, com probabilidade de apenas 0,0650,
devido à baixa espessura da camada de saturação (Spread = 0,40°C). A falha de detecção

71
é explicada pela espessura óptica reduzida do nevoeiro. O BDT FogNight de -1,85°C indica
que o satélite GOES-16 "enxergou" através da névoa, captando o calor do solo. Essa
radiação térmica superficial mascarou a presença das gotículas para o sensor orbital,
resultando em uma assinatura espectral que sugere "céu limpo", apesar da obstrução
horizontal no solo.
O evento de 25/06 serve como prova empírica de que o monitoramento puramente
orbital é insuficiente para a segurança de aeródromos como o de Maceió (SBMO). A
análise justifica a proposição de um índice de severidade híbrido, onde o dado
termodinâmico de superfície (Spread) deve ter precedência hierárquica sobre o satélite
em casos de saturação crítica (Spread < 0,5C), garantindo que nevoeiros rasos não passem
despercebidos pelo sistema de alerta.
FIGURA 16 - Evolução temporal da visibilidade horizontal horária no Aeroporto Zumbi dos
Palmares no dia 25 de junho de 2022.

Fonte: Elaborado pelo autor (2025).

Pela Figura 17 podemos observar que valores negativos acentuados de
BDT FogNight indicam a presença de nevoeiro advectivo ou nuvens baixas, alimentados pela
umidade do Atlântico. Oscilações positivas indicam a influência da radiação solar no canal
de 3,9 μm. A BDT WaterVapor atua como um traçador da coluna atmosférica. Valores
próximos de zero ou positivos sinalizam nuvens de grande desenvolvimento vertical
(Cumulonimbus) ou Cirrus espessos. Um grande distanciamento entre as curvas reflete
uma troposfera superior seca e céu claro. Picos de refletância acima de 15–20% estão
associados ao espalhamento Mie por gotículas de água. Esse fenômeno aumenta o brilho

72
no espectro visível ao mesmo tempo em que reduz a temperatura de brilho térmica, pois
a camada de nuvens bloqueia a radiação infravermelha vinda do solo.
A técnica de BTD permite separar o aquecimento radiativo da superfície de
sistemas nebulosos frios. Essa distinção é fundamental para gerenciar a variabilidade
diurna de Maceió, onde brisas marítimas induzem convecção rasa, garantindo uma
vigilância precisa para as operações no Aeroporto Zumbi dos Palmares (SBMO).
FIGURA 17 - Diferença de Temperatura de Brilho (BTD) e Reflectância Diferencial para 25 de
junho de 2022.

Fonte: Elaborado pelo autor (2025).

O perfil termodinâmico das 12:00 UTC confirma que a atmosfera estava altamente
favorável à baixa visibilidade, validando o evento real de nevoeiro de 500m observado às
09:00 UTC.
As linhas de Temperatura e Ponto de Orvalho aparecem bem próximas da
superfície até cerca de 900 hPa. Esta saturação na Camada Limite Planetária (CLP) é a
prova da umidade abundante e do resfriamento necessários para a condensação. O perfil
revela uma camada de alta estabilidade logo acima da saturação. Essa inversão funciona
como uma "tampa", impedindo a dispersão vertical e aprisionando as gotículas de
nevoeiro próximas ao solo. O registro de 6 kt (calmaria relativa) evitou a mistura
turbulenta, permitindo que o resfriamento radiativo mantivesse a estrutura do nevoeiro
(FIGURA 18).
FIGURA 18 - Diagrama termodinâmico SkewT-LogP de Natal (SBNT - 25/06/2022 12Z).

Fonte: Wyoming Weather Web acessado em 10 de setembro de 2025, às 21:20.

5.2 Análise da Validação Operacional: Previsão para 6 de janeiro de 2025
Esta análise integra os dados de sensoriamento remoto do satélite GOES-16 com
as observações de superfície (METAR) para o Aeroporto Internacional Zumbi dos
Palmares (SBMO), validando o estado da atmosfera em 06 de janeiro de 2025, às 12:00
UTC.
O informe meteorológico de superfície fornece a verdade terrestre necessária para
calibrar os modelos de ML: METAR SBMO 061200Z 07011KT 9999 BKN023 30/24
Q1013=
● Vento (07011KT): Direção NE (70°) com intensidade de 11 nós. Indica a
presença da brisa marítima já estabelecida.
● Visibilidade (9999): Visibilidade horizontal superior a 10 km. Confirmação
absoluta de ausência de nevoeiro.
● Nebulosidade (BKN023): Nuvens "Broken" (Nublado, 5/8 a 7/8 de cobertura)
com base de 2.300 pés (aprox. 700 metros).

74
● Temperatura/Ponto de Orvalho (30/24): Temperatura do ar de 30°C e ponto
de orvalho de 24°C.
A simulação para a manhã de verão em Maceió resultou em uma probabilidade de
apenas 0,35%, confirmando condições operacionais visuais (VFR) plenas, apesar da
presença de nebulosidade. O Spread de 6,0°C (Temperatura de 30°C vs. Ponto de Orvalho
de 24°C) indica que a atmosfera estava longe da saturação. O aquecimento solar matinal
evaporou a umidade e elevou a base das nuvens para 2300 pés. O vento moderado de 11
nós (aprox. 20 km/h) gerou uma mistura turbulenta na Camada Limite Planetária. Essa
turbulência impede que o ar próximo ao solo resfrie o suficiente para saturar,
impossibilitando o nevoeiro de radiação. O modelo identificou corretamente que o valor
de BDT FogNight (-14,95°C) deveu-se à reflexão solar e não à presença de gotículas no solo.
Mesmo com umidade alta e nuvens baixas (BKN023), o algoritmo manteve a
probabilidade baixa, provando que não sofre de sobre ajuste (overfitting) e que
"compreende" as variáveis físicas necessárias para o fenômeno (TABELA 9).

TABELA 9 - Resultados da previsão obtidos do modelo XGboost a partir dos dados de superfície
(METAR) e do GOES-16 para 6 de janeiro de 2025 às 12:00 UTC em SBMO.

Termodinâmica da Superfície (Radiossondagem/METAR)

75
Temperatura (T)

30,0°C

Ponto de Orvalho (Td)

24,0°C

Spread (T-Td)

6,00°C

ESTÁVEL (Céu Claro/VFR)

Vento

11 nós (070°)

Favorece dispersão de
umidade.

Assinatura de Satélite (GOES-16)
BDTFogNight

-14,95°c

(Positivo: Reflexão solar
dominando))

BDTWaterVapor

34,80°c

Teto Estimado

BKN a 2300 pés

(Nuvens baixas, mas não no
solo)

RESULTADO RECALIBRADO (CONDIÇÃO REAL)
Probabilidade Ajustada

0,0035

Diagnóstico

OPERACIONAL

CÉU CLARO/VFR
(Visibilidade > 10km)

Fonte: Elaborado pelo autor via XGboost (2025).

A formação de nevoeiro exige saturação (Umidade Relativa próxima a 100%), o
que ocorre com um spread ≤ 2°C. Com uma temperatura de 30°C e um Spread de
6°C, a parcela de ar estava fisicamente longe da condensação. O modelo recalibrado
aplicou uma "penalização" ao perceber que a radiação captada pelo satélite não poderia
vir de uma nuvem em contato com o solo. O valor baixo da reflectância (5,08%), serviu
como prova final de que não havia nevoeiro denso. Se houvesse, o espalhamento Mie
elevaria a refletância para níveis acima de 20%. Os 5% de transparência confirmam que a
radiação solar estava atingindo o solo (FIGURA 19), o que é consistente com a
visibilidade de 10 km (9999) reportada.
FIGURA 19 - Diferença de Temperatura de Brilho (BTD) e Reflectância Diferencial para 6 de
janeiro de 2022.

Fonte: Elaborado pelo autor (2025).

O parâmetro de refletância no canal visível (0.64 μm) quantifica o albedo. Valores
de refletância próximos a 5% (como em 06/01/2025) indicam que a radiação solar está
penetrando na atmosfera e atingindo a superfície, confirmando que a cobertura de nuvens
é fragmentada e não opaca. Um sistema de nevoeiro denso apresentaria refletância
superior a 20%, devido ao espalhamento Mie uniforme em toda a camada. A análise
demonstra que a imagem de satélite, isoladamente, pode induzir a falsos positivos em
regiões tropicais como Maceió, onde nuvens baixas de brisa marítima mimetizam a
assinatura espectral do nevoeiro. A integração dessas camadas de dados permite que
modelos de aprendizado de máquina (como o XGBoost anteriormente discutido) transitem
de uma análise puramente estatística para um sistema de decisão baseado em consistência
termodinâmica.
A análise do SkewT-LogP permite concluir que a estrutura vertical em Natal (e,
por extensão sinótica, em Maceió) no dia 06/01/2025 era inerentemente desfavorável ao
nevoeiro. A umidade está confinada a uma camada rasa (até ~850 hPa). Abaixo disso, o
ar está muito seco para sustentar a condensação ao nível do mar. O satélite viu a
"assinatura térmica" das nuvens presas sob a inversão (BTD negativo), mas o SkewT
prova que essas nuvens têm uma base elevada (LCL alto). O diagrama ratifica o estado
VFR (Visual Flight Rules). O risco de nevoeiro é nulo, pois não há o acoplamento da
camada saturada com a superfície (FIGURA 20).
FIGURA 20 - Imagem do Diagrama SkewT-LogP (SBNT - 06/01/2025 12Z).

Fonte: Wyoming Weather Web acessado em 10 de setembro de 2025, às 21:20.

6 CONCLUSÕES
O framework preditivo desenvolvido demonstrou ser uma ferramenta robusta para
a gestão de riscos no Aeroporto Zumbi dos Palmares (SBMO), especialmente na detecção
de nevoeiro radiativo denso. O algoritmo XGBoost atingiu um ROC AUC Score de
0,7532, mostrando alta capacidade de discriminação em eventos severos, com
probabilidades de detecção superiores a 99% em casos de visibilidade crítica. A estratégia
operacional focou na minimização de falsos negativos, priorizando o alerta de nevoeiro
(segurança aérea) em detrimento da eficiência operacional (aceitação de maior número de
Falsos Alarmes). A integração do Spread (T - Td) como "âncora física" foi essencial para
evitar alarmes falsos em períodos de verão, quando nuvens de brisa marítima podem
mimetizar a assinatura espectral do nevoeiro.
O trabalho inova ao combinar dados orbitais do satélite GOES-16 (ABI) com
observações terrestres de alta resolução temporal (METAR). Utilizou com sucesso
Diferenças de Temperatura de Brilho (BTD) e limiares de albedo para confirmar a fase
líquida e o tamanho das partículas das nuvens. O estudo validou que fenômenos de escala

78
sinótica na costa Nordeste, como as Inversões Térmicas de Alísios, são mecanismos-chave
bem representados pelo perfil termodinâmico da região.
O sensoriamento remoto demonstrou dificuldade em detectar nevoeiros rasos ou
opticamente finos, onde a radiação térmica do solo mascara a presença das gotículas de
água. A ausência de uma estação de radiossondagem ativa em Maceió exigiu o uso de
dados de Natal (SBNT), o que, embora representativo em escala sinótica, pode omitir
variações microclimáticas muito específicas de SBMO. A raridade extrema de eventos de
nevoeiro (apenas 0,04% da base de dados) representa um desafio contínuo para o
treinamento de modelos de aprendizado de máquina.
Sugere-se a criação de um alerta automático sempre que o Spread for inferior a
0,50°C, independentemente da confirmação via satélite, para mitigar falhas em nevoeiros
superficiais. Desenvolver um índice de severidade onde o dado termodinâmico de
superfície tenha precedência hierárquica sobre o satélite em casos de saturação crítica.
Explorar outras bandas do ABI ou dados de aerossóis para melhor caracterizar eventos de
smog (nevoeiro combinado com fumaça), frequentes durante festividades regionais.
Os resultados demonstram que a combinação de sensoriamento remoto
(GOES-16) e dados aeroportuários (METAR) é eficaz para monitorar nevoeiros e nuvens
baixas em SBMO. A pesquisa reforça a necessidade de colaboração interinstitucional
entre o ICAT/UFAL, DECEA pelo DTCEA-MO e ANAC para padronizar protocolos de
segurança e a capacitação de profissionais em meteorologia aeronáutica, com ênfase em
interpretação de produtos por satélites.
Esta dissertação fornece subsídios para políticas públicas que mitiguem os riscos
operacionais no Aeroporto Zumbi dos Palmares, alinhando-se aos Objetivos de
Desenvolvimento Sustentável (ODS 9 e 13).
AGRADECIMENTOS
Agradecemos à equipe do Laboratório de Sensoriamento Remoto - SENSORGEO
do Instituto de Ciências Atmosféricas - ICAT, da Universidade Federal de Alagoas UFAL, ao Destacamento de Controle do Espaço Aéreo-Maceió - DTCEA-MO e à
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES pelo suporte
técnico e institucional e pela colaboração com os dados utilizados neste estudo.

REFERÊNCIAS
AENABRASIL. Aeroporto Internacional de Maceió – Zumbi dos Palmares, Guia do
Aeroporto,

Características.

Aena

Brasil,

2020.

Disponível

em:

https://www.aenabrasil.com.br/pt/aeroportos/aeroporto-internacional-de-maceio-zumbidos-palmares/Caracteristicas-.html >. Acesso em: 13 de janeiro de 2025.

BIANCHINI, D. Meteorologia para Pilotos / Denis Bianchini. 1. ed. - São Paulo: Editora
Bianch, 2017. Bibliografia ISBN 978-85-66282-40-5
BRASIL. Comando da Aeronáutica. Departamento de Controle do Espaço Aéreo.
Instrução do Comando da Aeronáutica: ICA 105-3: códigos meteorológicos METAR
e

SPECI.

Rio

Janeiro,

2025.

Disponível

em:

https://publicacoes.decea.mil.br/publicacao/ICA-105-16
CASTRO, F., UMSZA, D., LOUZADA, D., LANZARINI, P. R., VALENTE, M.
Adverse Weather Low-Probality Forecast Effects On Flight Fuel Planning. A Capstone
Project Submitted to Embry-Riddle Aeronautical University in Partial Fulfillment of the
Requirements for the Aviation Management Certificate Program Embry-Riddle
Aeronautical University Sao Paulo, Brazil October 2021.
DYER, S., & DYER, J. Cubic-spline interpolation. 1. IEEE Instrumentation &
Measurement Magazine. 2001; 4. https://doi.org/10.1109/5289.911175.
EUROCONTROL. European Organisation for the Safety of Air Navigation. Standard
Inputs for Economic Assessments. Brussels: Eurocontrol, 2021.
EREMEEV, V. analysis of error in interpolation of continuous functions with unknown
continuous derivatives using cubic splines. Modern problems of modeling. 2022
https://doi.org/10.33842/2313-125x-2023-23-73-80.
EREMEEV, E., & RACKOVICH, A. Algorithmic software for using the cubic spline
in restoring the functional dependence in the case of boundary conditions for the first
derivatives.

Modern

problems

modeling.

2021

https://doi.org/10.33842/22195203/2021/21/114/121.
ESMAEILI, F., AMIRI-SIMKOOEI, A., NAFISI, V., & NAEINI, A. APPLICATION
OF B-SPLINE METHOD IN SURFACE FITTING PROBLEM. The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2019
https://doi.org/10.5194/isprs-archives-xlii-4-w18-343-2019.

FAA - FEDERAL AVIATION ADMINISTRATION. Aeronautical Information
Manual (AIM). Washington: U.S. Department of Transportation, 2020.
FEDOROVA, N.; DA SILVA, A. O. & LEVIT, V. (2010, July). Dangerous Fog
Analyses and Forecast in the Maceio Airport, Brasil. In 5th International Conference on
Fog Collection and Dew (pp. 7-10).
GRATTON, G. B.; WILLIAMS, P. D.; PADHRA, A.; RAPSOMANIKIS, S.
Reviewing the impacts of climate change on air transport operations. The Aeronautical
Journal, 2022. v. 126, n. 1295, p. 209-221.
GULTEPE, I.; SHARMAN, R.; WILLIAMS, P. D.; ZHOU, B.; ELLROD, G.;
MINNIS, P.; NETO, F. A. A review of high impact weather for aviation meteorology.
Pure and Applied Geophysics, 2019. v. 176, p. 1869-1921.
GULTEPE, I.; PARDYJAK, E.; HOCH, S. W.; FERNANDO, H. J. S.; DORMAN,
C.; FLAGG, D. D.; HEYMSFIELD, A. J. Coastal-fog microphysics using in-situ
observations and GOES-R retrievals. Boundary-Layer Meteorology, 2021. v. 181, n. 2, p.
203-226.
GULTEPE, I. A Review on Weather Impact on Aviation Operations: Visibility, Wind,
Precipitation, Icing. Journal of Airline Operations and Aviation Management (ISSN:
2949-7698) www.jaoam.com Volume 2. Doi: https://doi.org/10.56801/jaoam.v2i1.1
ICAO - INTERNATIONAL CIVIL AVIATION ORGANIZATION. Doc 9137:
Airport Services Manual - Part 8: Airport Operational Services. Montreal: ICAO, 2019.
LAKRA, K.; AVISHEK, K. A review on factors influencing fog formation,
classification, forecasting, detection and impacts. Rendiconti Lincei. Scienze Fisiche e
Naturali, 2022. v. 33, n. 2, p. 319-353.
LEVIN, D., & GRUBERGER, N. Adapted B-Spline Quasi-Interpolation for
Approximating

Piecewise

https://doi.org/10.3390/a18060335.

Smooth

Functions.

Algorithms.

2025

MAHDAVI, S.; AMANI, M.; BULLOCK, T.; BEALE, S. A probability-based daytime
algorithm for sea fog detection using GOES-16 imagery. IEEE Journal of Selected Topics
in Applied Earth Observations and Remote Sensing, 2020. v. 14, p. 1363-1373.
MARQUEZ, S. Future-proofing airport infrastructure for a changing climate.
International

Airport

Review,

abr.

2024.

Disponível

em:

https://www.internationalairportreview.com/article/190358/future-proofing-airportinfrastructure-for-a-changing-climate/. Acesso em: 9 out. 2024.
NATIONAL

OCEANIC

AND

ATMOSPHERIC

ADMINISTRATION

(NOAA). GOES-R Series Product Definition and Users’ Guide (PUG): Volume 3 – Level
1b

Products.

[S.l.]:

NOAA/NESDIS,

2019.

Disponível

em: https://www.goes-r.gov/products/docs/PUG-L1b-vol3.pdf. Acesso em: 10 out. 2023.
PINTO, J. O.; BAILEY, S. C.; FOSSELL, K. R.; BINAU, S.; XU, M.; KAY, J.;
WECKWERTH,T.M. Impact of Assimilating Uncrewed Aircraft System Observations
on River Valley Fog Prediction. Weather and Forecasting, 2024. v. 39, n. 11, p. 16731694.
POULINAKIS, K., DRIKAKIS, D., KOKKINAKIS, I., & SPOTTSWOOD, S.
Machine-Learning Methods on Noisy and Sparse Data. Mathematics. 2023
https://doi.org/10.3390/math11010236.
RANJAN, A. K, PATRA, A. K., GORAI, A. K. A Review on Estimation of Particulate
Matter from Satellite-Based Aerosol Optical Depth: Data, Methods, and Challenges. AsiaPacific

Journal

Atmospheric

Sciences

(2021)

57:679–699

https://doi.org/10.1007/s13143-020-00215-0
RODRIGUES, M. F. A.; FERNANDES, J. E. M.; HENKES, J. A. O Impacto da Baixa
Visibilidade em Aproximações, Pousos e Decolagens no Aeroporto de Porto Alegre.
Revista Brasileira de Aviação Civil, 2022.

83
RODRÍGUEZ-SANZ, Á.; CANO, J.; RUBIO FERNANDEZ, B. Impact of weather
conditions on airport arrival delay and throughput. Aircraft Engineering and Aerospace
Technology, 2022. v. 94, n. 1, p. 60-78.
RYLEY, T, BAUMEISTER, S., COULTER, L. Climate change influences on aviation:
A literature review. Transport Policy, orcid.org/0000-0002-8072-2534 (2020) 92. pp. 5564. ISSN 0967-070X https://doi.org/10.1016/j.tranpol.2020.04.010
SIM, S.; IM, J. Improved Ocean-fog Monitoring Using Himawari-8 Geostationary
Satellite Data Based on Machine Learning with SHAP-based Model Interpretation. IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023.
Site: Decodificador METAR e TAF para todos os aeroportos 70.493, acessado em 27 de
fevereiro de 2025, às 22:30.
Site:

https://ajuda.decea.mil.br/base-de-conhecimento/como-decodificar-o-metar-e-o-

speci/ Acessado em 04 de abril de 2025, às 10:45.
WANG, Y.; QIU, Z.; ZHAO, D.; ALI, M.A.; HU, C.; ZHANG, Y.; LIAO, K.
Automatic Detection of Daytime Sea Fog Based on Supervised Classification Techniques
for FY-3D Satellite. Remote Sens. 2023, 15, 2283. https://doi.org/10.3390/rs15092283

ANEXOS
Anexo 1. Tabela 4678 com os códigos de descrição dos qualificadores e fenômenos de
tempo que podem constar no METAR. Fonte: BRASIL (2025).

85
Anexo 2. METAR do dia 8 de junho de 2022 do Aeroporto Internacional Zumbi dos
Palmares. Fonte: https://www.ogimet.com/metars.phtml.en acessado em 12/10/2024 às
14:10.

86
Anexo 3. METAR do dia 11 de junho de 2022 do Aeroporto Internacional Zumbi dos
Palmares. Fonte: https://www.ogimet.com/metars.phtml.en acessado em 12/10/2024 às
14:10.

87
Anexo 4. METAR do dia 23 de junho de 2022 do Aeroporto Internacional Zumbi dos
Palmares. Fonte: https://www.ogimet.com/metars.phtml.en acessado em 12/10/2024 às
14:10.

88
Anexo 5. METAR do dia 25 de junho de 2022 do Aeroporto Internacional Zumbi dos
Palmares. Fonte: https://www.ogimet.com/metars.phtml.en acessado em 12/10/2024 às
14:10

89
Anexo 6. METAR do dia 6 de janeiro de 2025 do Aeroporto Internacional Zumbi dos
Palmares. Fonte: https://www.ogimet.com/metars.phtml.en acessado em 30/08/2025 às
14:10.