Resumo O objetivo desse trabalho é fazer a análise climática, utilizando modelos de redes neurais artificiais, como auxílio no processo de tomada de decisão no plantio de alguns tipos de produtos agrícolas. Um banco de dados com os principais elementos do clima foi construído a partir do site do INMET (Instituto Nacional de Meteorologia) e desses elementos foram identificados, em um nível de significância de 0,05, os que mais influenciavam no valor da temperatura média. Modelos de Redes Neurais Artificiais foram criados e avaliados por meio do MAD (Mean Absolute Deviation), MSE (Mean Squared Error), RMSE (Root-Mean Squared Error) e MAPE (Mean Absolute Percentage Error), e finalmente, associou-se o valor da previsão com o melhor cultivo agrícola a ser aplicado. Foram elaboradas 12 redes neurais, oito são referentes à previsão da temperatura e as outras quatro à previsão da precipitação. As redes que demostraram melhor desempenho são as que consideram todos os elementos do clima. É possível concluir que as redes neurais demostraram um desempenho adequado na previsão de séries temporais caóticas, e consequentemente, tiveram o seu resultado associado com o melhor cultivo a ser aplicado para cada previsão. Um cronograma é apresentado no final, sugerindo a melhor época para plantar cada uma das culturas estudadas. Observa-se que para os próximos cinco anos, o cultivo mais adequado à faixa prevista é o da cenoura.

Abstract The aim of this study is to conduct climate forecasting with models of artificial neural networks as a tool in the decision-making process for the planting of some types of agricultural products. A database with the main climate elements was built from the National Institute of Meteorology (INMET), and those elements that influenced the average temperature value the most were found at a significance level of 0.05. Models of Artificial Neural Networks were developed and tested using Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root-Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE), before being linked to the best agricultural cultivation forecast value. Twelve neural networks were elaborated, eight of them are related to the temperature forecast and the other four are related to the precipitation forecast. The networks that showed the best performance are those that consider all the elements of climate. It is possible to conclude that the artificial neural networks showed an adequate performance in predicting chaotic time series, and that their results were therefore linked to the optimum cultivation to use for each forecast. A schedule is supplied at the end, indicating the ideal time to plant each of the crops evaluated. Carrot is found to be the best suited crop for the forecasted range over the next five years.