Métodos de aprendizado de máquina que incorporam o conhecimentoda física do problema em um aprendizado baseado em dados têm se tornadopromissores para a representação e previsão de sistemas não-lineares de escoamento de fluidos com múltiplas escalas no espaço e no tempo. Este trabalhoaborda um desses métodos, a Inferência de Operadores (OpInf), no contextode redução da ordem de modelos. Ao resolver um problema de regressão multivariável em espaço latente, cuja base é calculada através de uma decomposiçãoortogonal apropriada (POD) do respectivo conjunto de dados de alta fidelidade,o OpInf procura por operadores ótimos de baixa dimensão que representama dinâmica do sistema. Entretanto, o método ainda requer melhorias em suaestratégia de regularização e em sua confiabilidade para cenários complexos,assim como na robustez dos modelos treinados a partir de dados limitados.Para isso, um algoritmo eficiente e recente para a busca de hiperparâmetros,uma inferência de operadores sequencial e uma estratégia de aprendizagem emconjunto foram implementados com sucesso no presente trabalho. Outras modificações do OpInf padrão também foram investigadas, tais como uma reduçãode dados incremental e termos forçantes baseados em POD. Para testá-las,diferentes sistemas físicos foram considerados: condução de calor transiente;escoamento em cavidade com parede oscilante; propagação de onda não-linear;convecção natural; dispersão de CO2 atmosférico e elevação da altura da superfície do mar por maré de tempestade. De modo geral, foi demonstrado queos modelos baseados no OpInf podem ter capacidades preditivas muito boaspara escoamentos altamente turbulentos e também para sistemas físicos paramétricos. Além disso, mostrou-se que tais modelos podem ser empregadosem previsões climáticas rápidas uma vez que eles são capazes de lidar comdados geoespaciais ruidosos. Finalmente, os resultados sugerem que o OpInfpode ser uma alternativa confiável às redes neurais de aprendizado profundopara redução da ordem de modelos em decorrência de seus menores custoscomputacionais e bom desempenho para além do horizonte de treinamento.