Uma inovação no monitoramento meteorológico, desenvolvida na Universidade de São Paulo (USP), promete aprimorar significativamente a previsão de tempestades de curto prazo. A ferramenta, denominada TITAN-LSTM, combina dados de radares meteorológicos com inteligência artificial para rastrear e prever, com alta frequência, o trajeto, a área de cobertura e a intensidade de precipitações. Diferentemente dos métodos tradicionais, que dependem de supercomputadores e processamento intensivo de imagens, o sistema realiza previsões atualizadas a cada cinco minutos, facilitando sua aplicação em diversas regiões com cobertura de radares.
A pesquisa, apoiada pela Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), foi conduzida por Andrea Salome Viteri López, pós-doutoranda no Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG-USP). Os resultados foram publicados no Journal of Geophysical Research: Machine Learning and Computation. O estudo contou também com a participação do professor Carlos Augusto Morales Rodriguez, orientador de López durante seu doutorado, que assinou o artigo técnico.
Segundo López, o objetivo principal foi desenvolver uma previsão de chuva de curtíssimo prazo, utilizando o algoritmo TITAN — sigla em inglês para Identificação, Rastreamento, Análise e Previsão de Tempestades de Curtíssimo Prazo. O sistema consegue identificar individualmente cada tempestade, calculando suas características, como área, intensidade, direção e velocidade de deslocamento. Essas informações são então processadas por uma rede neural, que prevê a evolução futura do fenômeno meteorológico.
A inovação do TITAN-LSTM reside na combinação de duas gerações de tecnologia: o algoritmo TITAN, criado na década de 1990, que realiza o rastreamento de nuvens por meio de radares, e a rede neural LSTM (Memória de Longo e Curto Prazo), projetada para memorizar sequências de eventos ao longo do tempo. Enquanto o TITAN fornece dados sobre a localização e o movimento da tempestade, a LSTM analisa a sequência de informações numéricas — como volume de precipitação, área, intensidade e direção — para aprender como esses atributos evoluem ao longo do tempo.
Essa abordagem intermediária permite que o sistema capture não apenas o deslocamento das tempestades, mas também suas transformações, crescimento ou diminuição de intensidade, mudanças de forma e eventual dissipação. Diferentemente de métodos tradicionais, que dependem de sucessivas imagens de radar, o TITAN-LSTM trabalha com séries temporais de dados extraídos dessas imagens, reduzindo a necessidade de bancos de dados extensos e processamento de alta capacidade computacional.
Para treinar a ferramenta, os pesquisadores analisaram dados de mais de 32 mil tempestades coletados entre 2016 e 2019 pelo radar instalado na barragem de Ponte Nova, em Biritiba Mirim, na Região Metropolitana de São Paulo. A área de estudo compreendia um raio de 120 quilômetros ao redor do radar, com varreduras a cada cinco minutos. Após aplicar critérios rigorosos para selecionar eventos completos — como tempestades com duração superior a 20 minutos e que não se fundissem com outras nuvens — restaram 439 tempestades, das quais 307 foram utilizadas para treinar a rede neural, enquanto 132 serviram para testes de previsão.
A análise revelou que aproximadamente 70% dessas tempestades ocorreram entre novembro e março, período de maior incidência na região, e que a maioria delas durou entre 20 e 40 minutos. As tempestades mais curtas atingiram seu pico de extensão por volta de 15 minutos, enquanto as de duração intermediária alcançaram seu máximo entre 25 e 30 minutos. As tempestades que persistiram por mais de uma hora tiveram seu maior crescimento de área entre 40 e 45 minutos de evolução, padrão que demonstra a capacidade do sistema de aprender o comportamento temporal dessas formações.
Os testes do sistema mostraram que a abordagem híbrida superou em mais de três vezes a precisão dos métodos tradicionais na previsão da área de chuva logo no início do evento. O índice de acerto passou de 0,2 para aproximadamente 0,7 nos primeiros minutos, além de reduzir em quase 70% os falsos alarmes. Ainda que a previsão de intensidade apresente maior incerteza, com erros estimados entre 3 milímetros por hora aos cinco minutos e de 3 a 4 milímetros por hora aos 30 minutos, a utilização de um histórico mais amplo da tempestade diminui significativamente esses erros.
Outro aspecto relevante é a eficiência computacional do sistema. O treinamento completo, com as 439 tempestades, leva cerca de 20 minutos em um computador convencional equipado com linguagem Python, amplamente utilizada em ciência de dados e inteligência artificial. Essa simplicidade permite que o TITAN-LSTM seja instalado em notebooks comuns, sem necessidade de infraestrutura de alta performance, e facilmente adaptado a diferentes radares e regiões.
A aplicação prática do sistema é especialmente relevante para ações de emergência e defesa civil, pois possibilita previsões rápidas de onde uma tempestade irá passar, sua intensidade e área de cobertura, auxiliando na tomada de decisões para evitar desastres, como inundações e alagamentos. Além disso, os dados podem alimentar modelos hidrológicos, ajudando a estimar o risco de aumento de vazão em rios e áreas de risco, com maior antecedência.
Atualmente, o sistema trabalha com tempestades contínuas, que podem ser monitoradas como um único objeto ao longo de seu ciclo de vida, sem fusões ou divisões. A equipe já trabalha na adaptação do método para tempestades mais complexas, que envolvem fusões e divisões durante sua evolução. A expectativa é que a ferramenta possa ser disponibilizada para órgãos de monitoramento e prevenção, ampliando sua aplicação no Brasil, graças à sua baixa exigência de recursos computacionais.
Este avanço representa uma significativa contribuição para a meteorologia de previsão de curto prazo, com potencial de melhorar sistemas de alerta e estratégias de mitigação de desastres naturais. O desenvolvimento foi publicado originalmente pela Agência FAPESP.
