Desenvolvida na USP, ferramenta usa dados de radar e inteligência artificial para atualizar a trajetória e a força da chuva a cada cinco minutos
Rhauanny Queiroz
Publicado em 02/10/2026, às 12h48 - Atualizado às 12h53
Uma nova ferramenta de inteligência artificial, desenvolvida na Universidade de São Paulo (USP), pode ajudar a prever, em curtíssimo prazo, para aonde uma tempestade deve avançar e como a intensidade da chuva pode mudar nos minutos seguintes.
Batizado de Titan-LSTM, o sistema combina dados de radares meteorológicos com uma rede neural para acompanhar a evolução das tempestades. A tecnologia consegue atualizar informações sobre trajetória, área e intensidade da precipitação a cada cinco minutos, com previsões que chegam a 30 minutos de antecedência.
O trabalho foi desenvolvido por Andrea Salome Viteri López, pós-doutoranda no Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG-USP), com apoio da Fapesp. Os resultados foram publicados no Journal of Geophysical Research: Machine Learning and Computation.
Para entender o Titan-LSTM de maneira simples, é possível imaginar que a tecnologia trabalha em duas etapas. A primeira fica por conta do Titan, um algoritmo desenvolvido nos anos 1990 para identificar e acompanhar tempestades a partir de informações de radar. Ele consegue determinar características como área, intensidade, direção e velocidade de deslocamento.
Depois entra a LSTM, um tipo de rede neural criada para trabalhar com sequências de informações. Em vez de analisar somente o que está ocorrendo naquele momento, ela considera o histórico recente da tempestade para tentar estimar o que pode surgir nos minutos seguintes.
Na prática, o Titan responde perguntas como 'onde está a tempestade?' e 'para onde ela está indo?'. A LSTM acrescenta outra questão: 'considerando o que ocorreu nos últimos minutos, como essa tempestade deve evoluir?'
Isso é importante porque uma tempestade não apenas se desloca. Durante seu ciclo de vida, ela pode aumentar ou diminuir de tamanho, ficar mais forte ou mais fraca, mudar de formato e desaparecer.
Um dos diferenciais do Titan-LSTM está na maneira como os dados são apresentados à inteligência artificial. Em vez de entregar à rede neural todas as imagens produzidas pelo radar, o Titan transforma cada tempestade em uma série de informações numéricas.
Entre elas, estão a área ocupada pela chuva, o volume de precipitação, a intensidade média e máxima, as dimensões da tempestade, a direção e a velocidade do deslocamento. A LSTM utiliza essa sequência para aprender como essas características mudam com o passar do tempo.
É como se a inteligência artificial recebesse um pequeno histórico da tempestade em vez de apenas uma fotografia. Quanto maior o histórico fornecido à rede, melhores tendem a ser as previsões, segundo os testes do estudo.
A LSTM possui mecanismos chamados de 'portas', responsáveis por controlar quais informações devem entrar, permanecer ou sair de sua memória. De maneira simplificada, a rede analisa os dados recebidos e decide quais informações do passado ainda são importantes para fazer a próxima previsão. Assim, ela consegue levar em consideração a evolução da tempestade, e não apenas sua situação em um determinado instante.
Para desenvolver e testar a ferramenta, os pesquisadores utilizaram dados registrados entre 2016 e 2019, pelo radar meteorológico instalado na barragem de Ponte Nova, em Biritiba Mirim, Região Metropolitana de São Paulo.
O radar faz uma nova varredura a cada cinco minutos. O estudo considerou uma área de até 120 quilômetros de distância do equipamento. Inicialmente, foram analisadas mais de 32 mil tempestades.
Depois, os pesquisadores aplicaram critérios para selecionar eventos que pudessem ter sua evolução acompanhada de maneira completa. Foram consideradas tempestades que duraram mais de 20 minutos e não se fundiram com outras nuvens.
Ao final dessa seleção, restaram 439 tempestades. Desse total, 307 foram utilizadas para treinar a rede neural e 132 foram separadas para testar a capacidade de previsão. Os dados também mostraram que cerca de 70% das tempestades ocorreram entre novembro e março e aproximadamente 83% duraram de 20 a 40 minutos.
Segundo o estudo, o Titan-LSTM apresentou desempenho superior ao método tradicional utilizado para prever a área da chuva nos primeiros minutos. O índice de acerto passou de 0,2 para aproximadamente 0,7 nos primeiros minutos, enquanto os falsos alarmes foram reduzidos em quase 70%, conforme os resultados apresentados pela pesquisadora.
A previsão, porém, fica mais incerta conforme aumenta o tempo de antecedência. O erro estimado para a intensidade da chuva ficou em torno de 3 milímetros por hora com cinco minutos de antecedência, e chegou a aproximadamente 3 a 4 milímetros por hora aos 30 minutos.
Ou seja, a ferramenta consegue oferecer uma estimativa sobre a evolução da tempestade, mas a precisão não é a mesma para todos os horizontes de tempo.
Não. Uma das características destacadas pelos pesquisadores é justamente o baixo custo computacional. O treinamento da configuração utilizada no estudo, considerando as 439 tempestades selecionadas, levou cerca de 20 minutos em um computador convencional, utilizando programas desenvolvidos em Python.
Por trabalhar principalmente com séries temporais de informações extraídas pelo rastreamento das tempestades, em vez de processar grandes sequências de imagens, o sistema pode ser executado em notebooks convencionais, desde que sejam consideradas as especificações do radar utilizado.
Essa característica também permite que o algoritmo seja adaptado para outros radares.
Uma previsão de curtíssimo prazo pode ser útil para sistemas de alerta de inundações e para a Defesa Civil. Saber para aonde uma tempestade está se deslocando, qual área pode ser atingida e como a intensidade da chuva deve evoluir, pode fornecer informações para decisões relacionadas à prevenção de desastres.
De acordo com Andrea Salome Viteri López, os dados podem ajudar na avaliação das áreas que poderão ser afetadas e em decisões como interditar vias ou retirar pessoas de áreas de risco.
As informações também podem alimentar modelos hidrológicos. Com uma estimativa antecipada da quantidade de chuva, que pode atingir determinada bacia hidrográfica, e da velocidade de deslocamento da tempestade, os dados podem contribuir para estimar o risco de aumento rápido da vazão de rios, alagamentos e inundações.
Apesar dos resultados, o Titan-LSTM ainda possui uma limitação importante. Nesta primeira etapa, o sistema trabalha com tempestades chamadas de “contínuas”, que podem ser acompanhadas como um único fenômeno durante seu ciclo de vida.
Isso significa que foram excluídos eventos nos quais tempestades se fundem com outras ou se dividem em diferentes células. Segundo a pesquisadora, os trabalhos atuais já avançam para o desenvolvimento de uma versão capaz de lidar com tempestades complexas, que podem passar por esses processos durante sua evolução.
A expectativa apresentada pelos pesquisadores é que a ferramenta possa ser adaptada a outros radares e, futuramente, disponibilizada para uso em diferentes regiões do Brasil. A proposta é que o sistema possa ser utilizado em equipamentos convencionais e associado a radares de diferentes localidades.