A IA da USP que acompanha tempestades para antecipar a chuva

Os próximos minutos também exigem engenharia

Uma tempestade pode mudar de tamanho e intensidade enquanto atravessa uma cidade. Para antecipar a chuva, não basta projetar seu deslocamento: é preciso acompanhar o que acontece dentro dela. Uma equipe da Universidade de São Paulo desenvolveu o TITAN-LSTM para enfrentar esse problema, combinando rastreamento por radar e uma rede neural que considera a história recente de cada tempestade. Nos testes, o sistema gerou previsões de cinco a 30 minutos. ^[1][2]

A pesquisa foi conduzida no Instituto de Astronomia, Geofísica e Ciências Atmosféricas por Andrea S. Viteri López e Carlos A. Morales Rodriguez. O artigo científico saiu em julho de 2026; a Agência FAPESP divulgou o trabalho em 1º de outubro. A contribuição está em uma escolha de arquitetura: aproveitar características físicas extraídas do radar, em vez de pedir à rede neural que processe todas as imagens de chuva. ^[1][2]

De imagens a trajetórias

O ponto de partida não foi inventar o rastreamento de tempestades. O TITAN, apresentado por M. Dixon e G. Wiener em 1993, já identificava regiões de tempestade e usava seu histórico para prever posição e tamanho. Esse antecedente importa: a inovação da equipe na USP está na combinação e na adaptação dos métodos, não na criação de todos os componentes do zero. ^[4]

Na abordagem híbrida, o TITAN acompanha cada sistema de chuva e organiza atributos como área, intensidade e movimento em sequências numéricas. A LSTM, uma rede neural de memória de longo e curto prazo, aprende como essas características evoluem. A divisão de tarefas permite representar tanto o deslocamento quanto mudanças na área e na intensidade da precipitação. ^[1][2]

É uma forma de concentrar o processamento na informação relevante para o problema. A rede recebe a evolução de uma tempestade rastreada, não uma coleção inteira de imagens bidimensionais. Isso diferencia a proposta de arquiteturas de aprendizado profundo que exigem preparação extensa de imagens e maior capacidade computacional. ^[2]

O teste começa com dados de São Paulo

O trabalho utilizou observações de 2016 a 2019 do radar meteorológico de Ponte Nova, em Biritiba Mirim, na Região Metropolitana de São Paulo. As varreduras ocorrem a cada cinco minutos; a análise considerou uma área com raio de 120 quilômetros. Esses dados antigos sustentam uma pesquisa divulgada agora, não significam que o modelo esteja emitindo alertas em tempo real para essa região. ^[1][2]

A triagem selecionou 439 tempestades que podiam ser acompanhadas ao longo de seu ciclo sem se fundir com outras. Segundo a divulgação da pesquisa, 307 foram usadas no treinamento da rede e 132 ficaram separadas para testar sua capacidade de previsão. Essa separação permite avaliar o comportamento do modelo em eventos que não fizeram parte do treinamento. ^[1]

O artigo relata melhora em relação ao TITAN utilizado sozinho e indica que fornecer um histórico mais longo da tempestade ajuda a prever sua evolução. Mas o horizonte continua curto: olhar mais adiante aumenta a incerteza. O próprio estudo adverte que números de outros modelos publicados não são diretamente comparáveis quando mudam os conjuntos de dados, os domínios e os critérios de avaliação. ^[2]

Computação mais leve, não infraestrutura dispensável

A Agência FAPESP informa que o treinamento da configuração usada no estudo levou cerca de 20 minutos em um computador convencional. A economia vem do tratamento de séries temporais de atributos, em lugar de grandes sequências de imagens. É um resultado da configuração testada, não uma promessa de que qualquer computador ou qualquer conjunto de dados produzirá o mesmo desempenho. ^[1][2]

A pesquisadora aponta que o software pode ser adaptado a outros radares, considerando suas especificações. O radar, a qualidade das observações e a preparação dos dados continuam necessários. Reduzir a exigência de processamento não elimina essa infraestrutura; torna mais plausível explorar a ferramenta onde ela já existe. ^[1]

Uma das vantagens é que não precisamos de supercomputadoresFonte [1]

O limite está nas tempestades complexas

A primeira versão foi desenvolvida para tempestades contínuas, que permanecem identificáveis como um único objeto. Fusões entre tempestades e divisões em várias células ficaram fora desse recorte inicial. A equipe trabalha na ampliação do método para esses eventos mais complexos, justamente os casos em que acompanhar a evolução deixa de ser simples. ^[1]

A possível contribuição para a Defesa Civil é oferecer informação rápida sobre onde a chuva pode chegar, sua área e intensidade. Isso pode apoiar modelos hidrológicos e decisões sobre risco. Ainda assim, as fontes apresentam esse uso como perspectiva de desenvolvimento e adaptação, não como um serviço operacional comprovado nem como uma redução já medida de danos por enchentes. ^[1]

Uma capacidade que pode ser examinada

Os autores disponibilizaram no Zenodo um repositório com trajetórias de tempestades, dados de 2016 a 2019 e código de apoio ao trabalho. A descrição inclui scripts de preparação dos dados de radar, configuração do TITAN e implementação do TITAN-LSTM. Esse registro público permite examinar os materiais da pesquisa, sem confundir a disponibilidade do código com uma validação automática para outras cidades. ^[3]

O caso revela uma capacidade concreta de pesquisa e engenharia no Brasil: transformar observações locais em uma ferramenta computacional testável, publicar o método e documentar seus limites. O próximo passo não é anunciar uma previsão infalível, mas ampliar os tipos de tempestade estudados e verificar a adaptação a outros radares. A contribuição brasileira ganha força quando a solução pode ser entendida, confrontada com dados e aperfeiçoada. ^[1][2][3]