RESUMO A temperatura do ar afeta significativamente os processos que envolvem atividades agrícolas e humanas. O conhecimento da temperatura de um determinado local é fundamental para o planejamento agrícola. Também ajuda a tomar decisões sobre as atividades humanas. No entanto, nem sempre é possível determinar essa variável. É necessário fazer uma estimativa precisa, utilizando métodos que sejam capazes de detectar as variações existentes. O objetivo deste estudo foi desenvolver modelos de regressão linear múltipla (RLM), rede neural artificial (RNA) e floresta aleatória (FA) para estimar a temperatura média (Tmean), máximo (Tmax), e mínimo (Tmin) mensal do ar em função de coordenadas geográficas e altitude para diferentes áreas do Estado de Minas Gerais, Brasil, com classificação climática Cwa ou Cwb. Os dados médios mensais (Tmean, Tmax e Tmin), ao longo de um período de 30 anos, foram coletados em 20 estações climatológicas. O RLM foi capaz de estimar o Tmax com precisão. Porém, a capacidade preditiva de estimar Tmean e Tmin foi baixa. Os algoritmos FA e RNA foram usados para estimar Tmean, Tmax e Tmin com alta precisão. Os melhores resultados foram obtidos com o modelo RF.

ABSTRACT Air temperature significantly affects the processes involving agricultural and human activities. The knowledge of the temperature of a given location is essential for agricultural planning. It also helps to make decisions regarding human activities. However, it is not always possible to determine this variable. It is necessary to make a precise estimate, using methods that are capable of detecting the existing variations. The aim of this study was to develop models of multiple linear regression (MLR), artificial neural network (ANN), and random forest (RF) to estimate the mean (Tmean), maximum (Tmax), and minimum (Tmin) monthly air temperatures as a function of geographic coordinates and altitude for different localities in Minas Gerais state, Brazil, with climatic classification Cwa or Cwb. The average monthly data (Tmean, Tmax, and Tmin), over a period of 30 years, were collected from 20 climatological stations. The MLR was able to estimate the Tmax with accuracy. However, the predictive capacity of estimating Tmean and Tmin was low. The algorithms RF and ANN were used to estimate Tmean, Tmax, and Tmin with high accuracy. The best results were obtained using the RF model.