Na Universidade de São Paulo, pesquisadores uniram um algoritmo clássico dos anos 1990 a redes neurais modernas para criar algo que, até recentemente, exigia infraestrutura computacional fora do alcance de muitas cidades: a capacidade de prever, com 30 minutos de antecedência, para onde uma tempestade se deslocará. O sistema TITAN-LSTM não apenas eleva a precisão das previsões, mas o faz com uma leveza computacional que permite rodá-lo em um notebook comum — tornando a proteção contra enchentes e alagamentos uma possibilidade concreta para regiões que já possuem cobertura de radar. É a ciência
USP desenvolve sistema de IA que prevê rotas de tempestades com 30 minutos de antecedência
Pode rodar em um notebook. Isso muda tudo em termos de acesso.
Mark
Como exatamente essa ferramenta consegue prever o caminho de uma tempestade melhor que os métodos antigos?
Mimi
Ela combina duas abordagens. Primeiro, um algoritmo clássico identifica onde a tempestade está agora e traça seu movimento recente. Depois, uma rede neural usa esse histórico para prever o que acontecerá nos próximos minutos — é como se a máquina aprendesse os padrões de comportamento de cada tempestade.
Luke
Mas isso só funciona para tempestades "contínuas", certo? As que não se dividem nem se fundem com outras?
Mimi
Exatamente. Foram 307 tempestades usadas para treinar o sistema, de um total de 439 selecionadas. É uma amostra específica.
Mark
E qual é a margem de erro real quando você tenta prever 30 minutos à frente?
Mimi
Para a intensidade da chuva, fica em torno de 3 a 4 milímetros por hora. Não é perfeito, mas é útil para sistemas de alerta.
Luke
Esses números vêm de testes com dados de 2016 a 2019. Não sabemos como o sistema se comporta com tempestades mais recentes ou em outras regiões.
Mark
Então o grande avanço é mesmo o baixo custo computacional?
Mimi
Sim. Pode rodar em um notebook. Isso muda tudo em termos de acesso e distribuição.
Luke
Mas ainda está limitado a uma categoria específica de tempestades. Os pesquisadores estão trabalhando em tempestades complexas, mas ainda não há resultados publicados sobre isso.
Mark
Qual seria o impacto prático se isso funcionasse bem em cidades grandes?
Mimi
Defesa Civil teria 30 minutos para alertar pessoas sobre alagamentos e inundações. É tempo suficiente para salvar vidas.
Le Pouls
- Tempestades urbanas matam e destroem com velocidade que sistemas tradicionais de alerta não conseguem acompanhar — o TITAN-LSTM nasce justamente para fechar essa janela perigosa de imprevisibilidade.
- O método híbrido reduziu falsos alarmes em quase 70% e triplicou a precisão das previsões de área, transformando um índice de acerto de 0,2 em aproximadamente 0,7 nos primeiros minutos.
- A ferramenta atualiza suas previsões a cada cinco minutos com base em dados de radar, permitindo que órgãos de defesa civil ajam antes que a chuva intensa chegue a bacias hidrográficas vulneráveis.
- Por ora, o sistema lida apenas com tempestades 'contínuas' — aquelas que não se fundem nem se dividem —, mas os pesquisadores já trabalham para incorporar eventos climáticos mais complexos.
- A simplicidade computacional é a chave estratégica: qualquer pessoa pode baixar o sistema em um notebook e conectá-lo a radares locais, criando uma rede distribuída de alertas de curtíssimo prazo em todo o Brasil.
Na Universidade de São Paulo, pesquisadores uniram um algoritmo clássico dos anos 1990 a redes neurais modernas para criar algo que, até recentemente, exigia infraestrutura computacional fora do alcance de muitas cidades: a capacidade de prever, com 30 minutos de antecedência, para onde uma tempestade se deslocará. O sistema TITAN-LSTM não apenas eleva a precisão das previsões, mas o faz com uma leveza computacional que permite rodá-lo em um notebook comum — tornando a proteção contra enchentes e alagamentos uma possibilidade concreta para regiões que já possuem cobertura de radar. É a ciência encontrando a urgência do cotidiano.
Na Universidade de São Paulo, pesquisadores criaram o TITAN-LSTM, um sistema capaz de prever a trajetória de tempestades com 30 minutos de antecedência, atualizando suas estimativas a cada cinco minutos a partir de dados de radares meteorológicos. O que distingue a ferramenta não é apenas sua precisão, mas sua leveza: ela pode rodar em um notebook comum, tornando viável sua adoção em cidades que já contam com cobertura de radar.
O nome revela a arquitetura híbrida do sistema. O TITAN é um algoritmo clássico dos anos 1990 que rastreia nuvens individuais em imagens de radar, identificando área, intensidade e direção de deslocamento. O LSTM é uma rede neural moderna capaz de memorizar sequências de eventos ao longo do tempo. A divisão de trabalho é precisa: o TITAN localiza a tempestade e mapeia seu caminho recente; a rede neural usa esse histórico para prever como o fenômeno evoluirá nos minutos seguintes, refinando suas estimativas à medida que novos dados chegam.
Os testes foram realizados com dados coletados entre 2016 e 2019 pelo radar da barragem de Ponte Nova, em Biritiba Mirim, na região metropolitana de São Paulo. De mais de 32 mil tempestades analisadas, critérios rigorosos selecionaram 439 eventos com evolução completa e rastreável. Dessas, 307 treinaram a rede neural e 132 testaram sua capacidade preditiva. Os resultados foram expressivos: o índice de acerto saltou de 0,2 para cerca de 0,7, e os falsos alarmes caíram quase 70%.
As aplicações práticas são imediatas. As previsões do TITAN-LSTM podem alimentar modelos hidrológicos que estimam riscos de alagamentos e inundações, dando tempo a órgãos de defesa civil para alertar populações. A perspectiva dos desenvolvedores é expandir a ferramenta para outros radares no Brasil e compartilhá-la com sistemas de prevenção de desastres — uma rede distribuída de previsão climática de curtíssimo prazo, acessível e de baixo custo.
Na Universidade de São Paulo, pesquisadores desenvolveram uma ferramenta que faz algo que até pouco tempo parecia exigir máquinas enormes e caríssimas: prever com precisão para onde uma tempestade vai se deslocar nos próximos 30 minutos. O sistema, chamado TITAN-LSTM, funciona alimentando-se de dados de radares meteorológicos e processando-os através de inteligência artificial, atualizando suas previsões a cada cinco minutos. O que torna essa criação particularmente relevante é que ela não demanda poder computacional extraordinário — pode rodar em um notebook comum — o que abre a possibilidade de sua aplicação em cidades e regiões que já possuem cobertura de radar.
O nome da ferramenta revela sua natureza híbrida: TITAN é um algoritmo clássico dos anos 1990 especializado em rastrear nuvens individuais em imagens de radar, identificando características como área, intensidade, direção e velocidade de deslocamento. LSTM, por sua vez, é uma rede neural moderna projetada para memorizar sequências de eventos ao longo do tempo. A divisão de trabalho é clara: o TITAN localiza a tempestade e traça seu caminho recente; a rede neural então usa esse histórico para prever como o fenômeno evoluirá nos minutos seguintes. Conforme a rede recebe novas informações, sua memória interna se atualiza, refinando as previsões subsequentes.
Para desenvolver e testar o sistema, os pesquisadores utilizaram dados coletados entre 2016 e 2019 pelo radar meteorológico da barragem de Ponte Nova, em Biritiba Mirim, um dos 39 municípios da região metropolitana de São Paulo. O equipamento realiza uma varredura a cada cinco minutos, cobrindo uma área com raio de 120 quilômetros. Inicialmente, o sistema analisou mais de 32 mil tempestades, mas os pesquisadores aplicaram critérios rigorosos para selecionar apenas eventos cuja evolução completa pudesse ser acompanhada — chuvas que duraram mais de 20 minutos e não se fundiram com outras nuvens. Essa filtragem deixou 439 tempestades. Dessas, 307 foram usadas para treinar a rede neural e 132 foram reservadas para testar sua capacidade preditiva.
Os resultados foram expressivos. Na hora de prever a área exata onde a chuva cairia nos primeiros minutos, o método híbrido mostrou-se mais de três vezes superior aos métodos tradicionais. O índice de acerto passou de 0,2 para aproximadamente 0,7 nos primeiros minutos de previsão, enquanto os falsos alarmes foram reduzidos em quase 70%. Naturalmente, a incerteza aumenta conforme se tenta enxergar mais longe no futuro: o erro na estimativa da intensidade da chuva fica em torno de 3 milímetros por hora para cinco minutos de antecedência e sobe para 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 nas previsões de área.
As aplicações práticas dessa precisão são imediatas. As informações geradas pelo TITAN-LSTM podem alimentar modelos hidrológicos que estimam o risco de aumento rápido da vazão de rios, alagamentos e inundações. Conhecendo antecipadamente a quantidade de chuva que atingirá determinada bacia hidrográfica e a velocidade de deslocamento da tempestade, órgãos de defesa civil ganham tempo para alertar populações e tomar medidas preventivas.
Atualmente, o sistema 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 ou se dividirem em diferentes células. Essa restrição foi deliberada no primeiro estágio de desenvolvimento. Os pesquisadores já estão avançando para tempestades mais complexas — aquelas que se fundem com outras ou se dividem durante sua evolução.
A perspectiva dos desenvolvedores é que a ferramenta seja adaptada a outros radares espalhados pelo Brasil e compartilhada com órgãos responsáveis por alertas e prevenção de desastres. A relativa simplicidade computacional é decisiva para isso: a ideia é que qualquer pessoa possa baixar o sistema em um notebook e associá-lo a radares em diferentes localidades, criando uma rede distribuída de previsão de tempestades de curtíssimo prazo.
Citations marquantes
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— Pesquisadora responsável pelo projeto na USP
Envie de l'histoire complète ?
Lire l'original sur Estadão ↗