Ferramenta da USP prevê rota de tempestades 30 minutos à frente
Saber com precisão por onde uma tempestade vai passar nos próximos 30 minutos — e com que força vai chover — deixou de ser tarefa para supercomputador. Pesquisadores do Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG) da USP criaram o TITAN-LSTM, ferramenta que combina radares meteorológicos com uma rede neural para rastrear e atualizar trajetória, área e intensidade de chuvas a cada cinco minutos. Os resultados foram publicados no Journal of Geophysical Research: Machine Learning and Computation, e o grande diferencial é o custo: o software roda em um notebook comum, o que facilita sua adoção em qualquer região com cobertura de radar.
O que é previsão de curtíssimo prazo?
Conhecida na meteorologia como nowcasting, a previsão de curtíssimo prazo cobre a janela de até 30 minutos à frente — exatamente aquela em que os modelos numéricos tradicionais ainda não ajudam e em que as decisões mais urgentes precisam ser tomadas: interditar uma via, suspender um evento, acionar a Defesa Civil. O sistema paulistano atualiza o prognóstico a cada varredura do radar, que acontece a cada cinco minutos, acompanhando a tempestade como um objeto que cresce, encolhe, se desloca e se dissipa.
Como funciona: um algoritmo dos anos 1990 e uma rede com memória
O nome traduz a união de duas gerações de tecnologia. O TITAN — algoritmo clássico dos anos 1990 — identifica cada tempestade individualmente no radar e calcula suas características: área da chuva, volume precipitado, intensidade média e máxima, dimensões, direção e velocidade. A LSTM, um tipo de rede neural projetada para memorizar sequências, aprende como esses números evoluem no tempo e projeta o futuro próximo.
"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?", resume Andrea Salome Viteri López, pós-doutoranda do IAG-USP e primeira autora do estudo, em entrevista à Agência FAPESP. Essa memória seletiva funciona por "portas" que decidem, a cada etapa, quais informações manter e quais descartar — e os testes mostraram que quanto maior o histórico de vida da tempestade fornecido à rede, melhor a previsão.
32 mil tempestades analisadas, 439 no teste final
Para treinar a rede, a equipe usou dados coletados entre 2016 e 2019 pelo radar da barragem de Ponte Nova, em Biritiba Mirim, na Região Metropolitana de São Paulo, numa área de 120 quilômetros de raio. Foram rastreadas mais de 32 mil tempestades, mas critérios rigorosos — chuvas com mais de 20 minutos de duração que não se fundissem com outras nuvens — reduziram a amostra a 439 eventos, dos quais 307 alimentaram o treinamento e 132 ficaram reservados para o teste.
A triagem revelou padrões da dinâmica local: cerca de 70% das tempestades ocorreram entre novembro e março e 83% duraram entre 20 e 40 minutos, com curvas de crescimento e dissipação que a LSTM aprendeu a reconhecer.
Mais acertos, menos falsos alarmes
No teste, a abordagem híbrida superou em mais de três vezes o método tradicional na previsão da área exata de chuva nos minutos iniciais: o índice de acerto saltou de 0,2 para aproximadamente 0,7, e os falsos alarmes caíram quase 70%. O erro na estimativa de intensidade ficou em torno de 3 milímetros por hora para cinco minutos de antecedência, chegando a 3 a 4 milímetros por hora aos 30 minutos — incerteza que cresce, como seria de esperar, quanto mais longe se tenta enxergar.
Ainda há limites: por enquanto, o sistema acompanha apenas tempestades "contínuas", que não se fundem nem se dividem durante o ciclo de vida. "Agora, já estamos trabalhando com as tempestades complexas", adianta López.
Alerta de desastres em um notebook
A leveza computacional é o que separa a pesquisa da operação. O treinamento completo da configuração do estudo levou cerca de 20 minutos em um computador convencional, com programas escritos em Python — nada de unidades de processamento de alto desempenho. "O software pode ser instalado em qualquer notebook. E, desde que sejam consideradas as especificações do radar utilizado, o algoritmo pode ser adaptado", explica a pesquisadora, que desenvolveu o trabalho com apoio da FAPESP.
A aplicação prática mais direta é o alerta de desastres: conhecer a rota, a área e a intensidade da chuva com 5 a 30 minutos de antecedência pode orientar interdições de vias, remoções preventivas e modelos hidrológicos que estimam risco de enchentes. "Para a Defesa Civil é necessária uma previsão muito rápida. O objetivo é ajudar na tomada de decisão, como interditar vias ou retirar pessoas de áreas de risco", afirma López. A meta do grupo é adaptar a ferramenta a outros radares e colocá-la à disposição de órgãos de alerta em outras regiões do Brasil.
Fontes
- Journal of Geophysical Research: Machine Learning and Computation — "TITAN-LSTM: A Weather Radar Nowcasting Tool", outubro de 2026. DOI: 10.1029/2026JH001337.
- Agência FAPESP — "Nova ferramenta de IA prevê rota e intensidade de tempestades em curtíssimo prazo", 1º de outubro de 2026 (José Tadeu Arantes).