Realizar previsões precisas sobre a trajetória de uma tempestade e a intensidade da chuva nos próximos 30 minutos já não é uma tarefa que demanda supercomputadores. A Universidade de São Paulo (USP) criou uma nova ferramenta chamada TITAN-LSTM, que combina dados de radares meteorológicos com inteligência artificial para realizar previsões de curto prazo, atualizando o caminho, a área afetada e a intensidade das chuvas a cada cinco minutos. Um dos destaques desse sistema é seu baixo custo computacional, o que possibilita sua implementação em diversas regiões que possuem cobertura de radares.
O desenvolvimento dessa tecnologia contou com o apoio da Fapesp e foi liderado por Andrea Salome Viteri López, pós-doutoranda no Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG-USP). Os achados foram divulgados no Journal of Geophysical Research: Machine Learning and Computation. O professor Carlos Augusto Morales Rodriguez, orientador de López durante seu doutorado, também é coautor do artigo.
“A meta era criar um modelo para prever chuvas de curto prazo usando o TITAN, um algoritmo que identifica tempestades individualmente. Com isso, conseguimos calcular aspectos como área afetada, intensidade, direção e velocidade de movimento. Essas informações foram então integradas em uma rede neural para prever a evolução das tempestades”, explica López.
O nome da nova ferramenta reflete a combinação de duas gerações tecnológicas. Por um lado, temos o TITAN (que representa Identificação, Rastreamento, Análise e Previsão de Tempestades em Curtíssimo Prazo), um algoritmo clássico desenvolvido nos anos 1990 focado na detecção de nuvens através do radar. Por outro lado está a LSTM (Long Short-Term Memory), uma forma de inteligência artificial projetada para memorizar sequências temporais.
A divisão das tarefas entre os dois componentes é clara: enquanto o TITAN indica a localização atual da tempestade e seu percurso passado e futuro, a LSTM busca responder à questão sobre como essa tempestade se comportará nos próximos minutos com base nas informações recentes.
Essa distinção é crucial pois as tempestades não se comportam como objetos fixos em movimento; elas mudam de tamanho e intensidade à medida que avançam. Embora os métodos tradicionais consigam rastrear movimentações com precisão, eles enfrentam dificuldades em modelar essas transformações dinâmicas. Em contrapartida, redes neurais mais complexas podem captar essas variações mas costumam exigir grandes volumes de dados e alta capacidade computacional ao trabalharem com imagens bidimensionais consecutivas do radar.
“O TITAN-LSTM busca um equilíbrio. Ele não fornece à inteligência artificial toda a imagem do radar; em vez disso, transforma cada tempestade em uma sequência numérica contendo dados como área coberta pela chuva, volume total de precipitação, intensidades média e máxima, dimensões da tempestade e suas direções e velocidades. Assim, a rede neural aprende como essas características mudam ao longo do tempo para prever sua evolução”, esclarece a pesquisadora.
Memória seletiva na rede
Uma das principais características da LSTM é sua memória seletiva. À medida que processa sequências de dados, essa rede determina quais informações passadas são relevantes para manter e quais podem ser descartadas. Isso ocorre por meio de mecanismos chamados “portas”, que controlam a entrada e saída das informações na memória da rede.
López utiliza essa analogia para descrever o funcionamento do sistema: “São como portas decisórias. A cada passo, a rede avalia se determinada informação deve ser mantida ou eliminada. Durante o treinamento, os pesos são ajustados e conforme novas sequências são recebidas, a memória interna é atualizada para gerar previsões futuras”, detalha.
Esse processo permite ao sistema avaliar não apenas um instantâneo da tempestade mas também seu histórico recente. Testes demonstraram que essa memória tem impacto significativo: quanto mais longa for a sequência histórica fornecida à rede, melhores serão as previsões obtidas.
Rastreamento de mais de 32 mil tempestades
Para criar esse sistema inovador, os pesquisadores utilizaram dados obtidos entre 2016 e 2019 pelo radar meteorológico localizado na barragem de Ponte Nova em Biritiba Mirim, parte da Região Metropolitana de São Paulo (RMSP). Esse equipamento realiza varreduras regulares a cada cinco minutos em um raio de 120 quilômetros ao redor dele.
No início do treinamento da inteligência artificial foram analisadas mais de 32 mil tempestades; no entanto, critérios rigorosos foram aplicados para selecionar eventos cuja evolução pudesse ser completamente acompanhada. Isso significou focar apenas nas chuvas que duraram mais de 20 minutos sem fusão com outras nuvens. Após esse criterioso filtro restaram 439 tempestades; destas, “307 foram utilizadas no treinamento da rede neural enquanto 132 foram mantidas separadas para testar sua eficácia preditiva”, relata López.
Analisando esses eventos foi possível identificar características intrigantes sobre sua dinâmica: aproximadamente 70% ocorreram entre novembro e março e cerca de 83% tiveram duração entre 20 a 40 minutos. As chuvas mais breves atingiram seu pico máximo em torno dos 15 minutos; as intermediárias alcançaram o ápice entre 25 e 30 minutos; já as longas atingiram seu ponto máximo após cerca de 40 a 45 minutos. Essas curvas temporais são exatamente o tipo padrão que uma LSTM pode aprender.
Os testes indicaram que o sistema desenvolvido supera em mais de três vezes os métodos convencionais na previsão inicial da área afetada pela chuva. “Os resultados mostraram uma vantagem clara da abordagem híbrida”, enfatiza López. Essa melhoria é evidenciada pelo índice de acerto que aumentou de 0,2 para cerca de 0,7 nos primeiros minutos após o início das previsões; além disso, os falsos alarmes caíram quase 70%.
Como era esperado, as incertezas aumentam conforme se tenta prever eventos futuros mais distantes. O erro médio na estimativa da intensidade foi cerca de 3 milímetros por hora para previsões feitas cinco minutos à frente e subiu para aproximadamente entre 3 a 4 milímetros por hora após meia hora. Contudo, fornecer à rede um histórico mais extenso reduziu consideravelmente os erros nas previsões sobre áreas afetadas pela chuva.
Adicionalmente há uma vantagem prática significativa: o treinamento completo do modelo utilizado neste estudo levou cerca de 20 minutos em computadores comuns usando programação Python — uma linguagem amplamente utilizada em ciência dos dados e aprendizado automático.
Ao contrário das complexas arquiteturas frequentemente empregadas no aprendizado profundo que requerem processamento extensivo com imagens sequenciais grande escala , o TITAN-LSTM opera principalmente com séries temporais baseadas nos valores registrados durante o rastreamento das tempestades. “Essa abordagem elimina a necessidade por supercomputadores”, comenta López. “O software pode ser instalado facilmente em qualquer notebook desde que respeitadas as especificações do radar utilizado.”
Essa acessibilidade abre portas para aplicações além do campo acadêmico da meteorologia. A capacidade de prever onde estará uma tempestade dentro dos próximos cinco ou quinze minutos — assim como qual será sua intensidade — pode oferecer informações valiosas para sistemas alerta contra inundações ou mesmo para órgãos como a Defesa Civil.
“Para a Defesa Civil é crucial ter previsões rápidas. Se sabemos onde está chovendo atualmente com qual intensidade e qual será sua área afetada podemos tomar decisões informadas sobre potenciais restrições nas vias ou evacuações necessárias”, destaca López.
Além disso, esse conhecimento pode alimentar modelos hidrológicos visando antecipar possíveis aumentos rápidos no nível dos rios ou alagamentos decorrentes das chuvas previstas nas bacias hidrográficas afetadas.
Avanços futuros
Atualmente o TITAN-LSTM foca em um tipo específico de tempestades conhecidas como “contínuas”, aquelas que podem ser monitoradas como entidades únicas durante todo seu ciclo sem interações com outras tempestades ou divisões internas. Essa escolha foi intencional para esta fase inicial do projeto. “Estamos agora desenvolvendo técnicas voltadas às chamadas tempestades complexas — aquelas que podem fundir-se ou dividir-se ao longo do tempo,” afirma López.
A expectativa é adaptar esta ferramenta para outros radares disponíveis futuramente podendo compartilhar previsões com agências encarregadas dos alertas preventivos contra desastres naturais. A simplicidade computacional desse sistema é fundamental nesse processo: “Queremos viabilizar uma solução acessível que possa ser baixada facilmente em notebooks conectados aos diversos radares existentes pelo Brasil,” conclui.
As atividades atuais contam novamente com financiamento proporcionado pela Fapesp.
