Uma ferramenta desenvolvida na Universidade de São Paulo (USP) consegue acompanhar a evolução de tempestades e estimar, em intervalos de cinco minutos, mudanças na área, no deslocamento e na intensidade da chuva. O sistema, chamado TITAN-LSTM, foi criado para fazer previsões de até 30 minutos sem depender de supercomputadores.
O trabalho teve apoio da FAPESP e foi desenvolvido por Andrea Salome Viteri López, pós-doutoranda no Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG-USP). O professor Carlos Augusto Morales Rodriguez, do IAG, também assina o artigo publicado no Journal of Geophysical Research: Machine Learning and Computation.
Duas tecnologias em uma ferramenta
O TITAN é um algoritmo criado nos anos 1990 para identificar e acompanhar tempestades em imagens de radar. A LSTM, por sua vez, é uma rede neural com capacidade de conservar informações relevantes de uma sequência de eventos. A combinação permite analisar o histórico recente de uma tempestade e projetar seu comportamento.
Em vez de entregar à inteligência artificial imagens completas do radar, o sistema transforma cada tempestade em dados numéricos. Entre as informações consideradas estão a área ocupada pela chuva, o volume de precipitação, as intensidades média e máxima, as dimensões, a direção e a velocidade do deslocamento.
“Nosso objetivo era fazer uma previsão de chuva de curtíssimo prazo, utilizando o TITAN, que é um algoritmo capaz de identificar as tempestades individualmente”, afirma López.
A rede LSTM usa uma espécie de memória seletiva para decidir quais dados anteriores devem ser mantidos ou descartados. Com isso, a previsão não considera apenas a situação atual, mas também a sequência de transformações pelas quais a tempestade passou. Os testes indicaram que históricos mais longos tendem a melhorar a estimativa da área de chuva.
Dados usados no desenvolvimento
Os pesquisadores analisaram informações coletadas entre 2016 e 2019 por um radar instalado na barragem de Ponte Nova, em Biritiba Mirim. O equipamento fazia uma varredura a cada cinco minutos, em uma área de raio de 120 quilômetros.
Mais de 32 mil tempestades foram rastreadas inicialmente. Depois da aplicação de critérios para selecionar eventos acompanháveis durante todo o ciclo, foram consideradas apenas chuvas com duração superior a 20 minutos que não se fundiram com outras nuvens. A seleção final reuniu 439 tempestades: 307 foram usadas no treinamento e 132 ficaram reservadas para os testes.
A análise mostrou que cerca de 70% dos eventos ocorreram entre novembro e março. Aproximadamente 83% duraram entre 20 e 40 minutos. As tempestades mais curtas alcançaram a maior área por volta dos 15 minutos; as que duraram de 40 a 60 minutos chegaram ao máximo entre 25 e 30 minutos; e as que permaneceram ativas por mais de uma hora atingiram o pico entre 40 e 45 minutos.
Resultados e possíveis usos
Nos primeiros minutos, o índice de acerto para estimar a área da chuva subiu de 0,2 para aproximadamente 0,7, mais de três vezes acima do método tradicional. Os falsos alarmes caíram em quase 70%.
A estimativa da intensidade também perde precisão conforme aumenta o intervalo da previsão. Para cinco minutos de antecedência, o erro ficou perto de 3 milímetros por hora. Quando o horizonte chegou a 30 minutos, a margem passou a ser de aproximadamente 3 a 4 milímetros por hora. O uso de um histórico maior da tempestade, porém, reduziu de forma significativa os erros relacionados à área da chuva.
O treinamento da configuração estudada, com 439 tempestades, levou cerca de 20 minutos em um computador convencional usando programas em Python. Como o sistema trabalha principalmente com séries temporais de dados extraídos das tempestades, e não com grandes sequências de imagens, pode ser instalado em um notebook, respeitando as especificações do radar.
A ferramenta ainda foi desenvolvida para acompanhar tempestades contínuas, que podem ser observadas como um único fenômeno sem fusão com outras ou divisão em diferentes células. A equipe já trabalha na adaptação para tempestades complexas, capazes de se fundir ou se dividir durante a evolução.
A previsão de curto prazo pode fornecer dados para sistemas de alerta de inundações e para a Defesa Civil, incluindo estimativas sobre o caminho, a área e a intensidade da chuva. Essas informações também podem ser usadas em modelos hidrológicos para avaliar o risco de aumento rápido da vazão de rios, alagamentos e inundações.
A expectativa é adaptar o TITAN-LSTM a outros radares e permitir que a ferramenta seja associada a equipamentos de diferentes lugares do Brasil.
