José Tadeu Arantes | Agência FAPESP – Saber com exatidão a rota de uma tempestade e a intensidade da chuva para os próximos 30 minutos deixou de ser um desafio que exige supercomputadores. Uma nova ferramenta – desenvolvida na Universidade de São Paulo (USP) e denominada TITAN-LSTM – une dados de radares meteorológicos e inteligência artificial para realizar previsões de curtíssimo prazo, rastreando e atualizando o trajeto, a área e a intensidade da precipitação a cada cinco minutos. O sistema se destaca pelo seu baixo custo computacional, o que facilita a sua aplicação em diversas regiões que já contam com cobertura de radares.

O trabalho foi desenvolvido com apoio da FAPESP 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 professor do IAG Carlos Augusto Morales Rodriguez, orientador de López durante seu doutorado, também assina o artigo.

“Nosso objetivo era fazer uma previsão de chuva de curtíssimo prazo, utilizando o TITAN, que é um algoritmo capaz de identificar as tempestades individualmente. Com ele conseguimos calcular características como área, intensidade, direção e velocidade de propagação. Depois, usamos essas informações em uma rede neural computacional para prever como a tempestade vai evoluir”, conta López.

O nome da nova ferramenta traduz a união de duas gerações da tecnologia. De um lado está o TITAN (sigla em inglês para Identificação, Rastreamento, Análise e Previsão de Curtíssimo Prazo de Tempestades), um algoritmo clássico dos anos 1990 especializado em rastrear nuvens no radar. Do outro está a LSTM (Memória de longo e curto prazo, também em inglês), um tipo de inteligência artificial desenhada especificamente para memorizar sequências de eventos ao longo do tempo.

Pode-se pensar na divisão de tarefas da seguinte maneira: o TITAN diz onde a tempestade está, de onde veio e para onde está indo. A rede LSTM procura responder a outra pergunta: dado o que aconteceu com a tempestade nos últimos minutos, como ela deverá estar daqui a pouco?

Essa distinção é importante porque uma tempestade não é um objeto rígido que simplesmente se desloca pelo espaço. Enquanto avança, ela cresce ou diminui, intensifica-se ou enfraquece, muda de forma e finalmente se dissipa. Métodos tradicionais de extrapolação conseguem acompanhar muito bem o movimento, mas têm maior dificuldade para representar todas essas transformações. Já as redes neurais mais sofisticadas podem aprendê-las, porém, muitas trabalham diretamente com sucessivas imagens bidimensionais de radar, exigindo grandes bancos de dados, processamento prévio das imagens e elevada capacidade computacional.

“O TITAN-LSTM procura ocupar um terreno intermediário. Em vez de entregar à inteligência artificial toda a imagem produzida pelo radar, o TITAN transforma cada tempestade em uma sequência de informações numéricas: área ocupada pela chuva, volume de precipitação, intensidade média e máxima, dimensões da tempestade, direção e velocidade do movimento, entre outras. A rede neural aprende então como essas características se modificam ao longo do tempo. E, assim, consegue prever sua evolução futura”, diz a pesquisadora.

Uma rede que guarda o que importa

A característica fundamental da LSTM é possuir uma espécie de memória seletiva. À medida que recebe uma sequência de dados, a rede aprende quais informações anteriores continuam sendo relevantes e quais podem ser descartadas. Tecnicamente, isso é feito por mecanismos chamados de “portas”, que regulam a entrada, a conservação e a saída de informações da memória da rede.

López usa justamente essa imagem para explicar o funcionamento. “São como portas de decisão. Em cada etapa, a rede decide se aquela informação é relevante ou não, se deve ser mantida ou descartada. Durante o treinamento, os pesos são ajustados e, conforme recebe novas sequências de dados, a memória interna é atualizada para produzir as previsões seguintes”, explica.

Isso permite que o sistema considere não apenas a fotografia instantânea de uma tempestade, mas sua história recente. E os testes mostraram que essa memória faz diferença: quanto maior o histórico da evolução da tempestade fornecida à rede, melhor tende a ser a previsão.

Mais de 32 mil tempestades rastreadas

Para desenvolver o sistema, os pesquisadores utilizaram dados coletados entre 2016 e 2019 pelo radar meteorológico instalado na barragem de Ponte Nova, em Biritiba Mirim, um dos 39 municípios que compõem a Região Metropolitana de São Paulo (RMSP). O equipamento realiza uma nova varredura a cada cinco minutos. Para o estudo, foi considerada uma área com raio de 120 quilômetros em torno do radar.

Para treinar a inteligência artificial, o sistema analisou inicialmente mais de 32 mil tempestades. Foi necessário, no entanto, aplicar "critérios rigorosos para selecionar eventos cuja evolução completa pudesse ser acompanhada", explica López. Isso significou isolar apenas chuvas que duraram mais de 20 minutos e não se fundiram com outras nuvens. Dessa triagem refinada, restaram 439 tempestades. E desse grupo seleto, relata a pesquisadora, "307 foram utilizadas para treinar a rede neural e 132 foram mantidas separadas, para testar sua capacidade de previsão".

A própria análise desses eventos revelou aspectos interessantes de sua dinâmica. Cerca de 70% das tempestades ocorreram entre novembro e março e aproximadamente 83% duraram entre 20 e 40 minutos. As tempestades mais curtas atingiram sua maior extensão por volta dos 15 minutos de existência; as intermediárias, com duração de 40 a 60 minutos, chegaram ao máximo entre 25 e 30 minutos; e as longas, que persistiram por mais de uma hora, alcançaram o pico de área em aproximadamente 40 a 45 minutos. Essas curvas de crescimento e dissipação são justamente o tipo de padrão temporal que uma LSTM pode aprender.

Os testes comprovaram que o novo sistema consegue ser mais de três vezes superior ao método tradicional na hora de prever a área exata da chuva logo de início. "Os resultados mostraram vantagem expressiva da abordagem híbrida", destaca a pesquisadora. Esse salto numérico é evidenciado pelo índice de acerto, que passou de 0,2 para aproximadamente 0,7 nos primeiros minutos, "enquanto os falsos alarmes foram reduzidos em quase 70%", detalha López.

Como seria de esperar, a incerteza cresce quando se tenta enxergar mais longe no futuro. O erro na estimativa da intensidade da chuva ficou em torno de 3 milímetros por hora para cinco minutos de antecedência e chegou a aproximadamente 3 a 4 milímetros por hora aos 30 minutos. Ainda assim, fornecer à rede um histórico mais longo da tempestade reduziu fortemente os erros na previsão da área de chuva.

Há também uma vantagem prática importante. O treinamento completo da configuração utilizada no estudo, com as 439 tempestades, levou cerca de 20 minutos em um computador convencional com programas desenvolvidos na linguagem de programação Python. Esta é uma linguagem muito usada em ciência de dados, aprendizado de máquina e inteligência artificial.

Diferentemente de várias arquiteturas de aprendizado profundo, que processam grandes sequências de imagens e podem exigir unidades de alto desempenho, o TITAN-LSTM trabalha essencialmente com séries temporais de valores extraídos pelo rastreamento das tempestades. “Uma das vantagens é que não precisamos de supercomputadores”, comenta a pesquisadora. “O software pode ser instalado em qualquer notebook. E, desde que sejam consideradas as especificações do radar utilizado, o algoritmo pode ser adaptado.”

Essa característica abre caminho para uma aplicação que vai além da pesquisa meteorológica. Prever onde estará uma tempestade dentro de cinco, dez ou 15 minutos, qual área ela deverá cobrir e com que intensidade choverá pode fornecer informação diretamente útil para sistemas de alerta de inundações e para a Defesa Civil.

“Para a Defesa Civil é necessária uma previsão muito rápida. Se sabemos por onde a chuva está passando, qual será sua intensidade, qual sua área de cobertura e para onde ela está indo, podemos avaliar quais regiões serão afetadas. O objetivo é ajudar na tomada de decisão, como interditar vias ou retirar pessoas de áreas de risco”, ressalta López.

A informação pode também alimentar modelos hidrológicos. Conhecendo antecipadamente a quantidade de chuva que poderá atingir determinada bacia hidrográfica e a velocidade de deslocamento da tempestade, torna-se possível estimar com maior antecedência o risco de aumento rápido da vazão de rios, alagamentos e inundações.

Novo desenvolvimento

O TITAN-LSTM ainda trabalha com uma categoria específica de tempestades: as chamadas “contínuas”, que podem ser acompanhadas como um único objeto ao longo de seu ciclo de vida, sem se fundirem com outras tempestades nem se dividirem em diferentes células. Essa restrição foi deliberadamente adotada para o primeiro estágio de desenvolvimento do método. “Agora, já estamos trabalhando com as tempestades complexas. São aquelas que, durante sua evolução, podem se fundir com outras ou se dividir em várias tempestades”, explica a pesquisadora.

A perspectiva, segundo López, é que a ferramenta possa ser adaptada a outros radares e, futuramente, fornecer previsões que sejam compartilhadas com órgãos responsáveis por alertas e prevenção de desastres. A relativa simplicidade computacional é decisiva nesse aspecto. “A ideia é possibilitar que a ferramenta possa estar disponível para ser baixada em qualquer notebook, e possa ser associada a outros radares, em outros lugares do Brasil”, afirma.

Os trabalhos atualmente em curso também contam com financiamento da FAPESP.

O artigo TITAN-LSTM: A weather radar nowcasting tool pode ser acessado em: agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2026JH001337.