Pesquisadores do Instituto de Astronomia, Geofísica e Ciências Atmosféricas (IAG) da USP desenvolveram um modelo pioneiro capaz de prever a evolução de tempestades com até 30 minutos de antecedência. O sistema combina o Titan, ferramenta que rastreia chuvas a partir de imagens de radares meteorológicos, com um algoritmo de Inteligência Artificial (IA) capaz de prever a evolução temporal da área e do volume das precipitações. A inovação preenche lacunas de sistemas já utilizados tradicionalmente, como os modelos de previsão por extrapolação e as redes neurais.
Os modelos de previsão por extrapolação projetam o deslocamento da trajetória das chuvas a partir da direção e da velocidade detectadas por imagens de radar, mas têm limitações como detalhar a quantidade de chuva em cada região. Já os modelos de redes neurais, que utilizam algoritmos de IA, interpretam melhor a dinâmica das tempestades, mas exigem uma alta capacidade de processamento computacional.
Carlos Augusto Morales Rodriguez, orientador do estudo que deu origem ao novo modelo, comenta que o treinamento de redes neurais com imagens de radar utiliza uma grande quantidade de memória para processar os cálculos matemáticos. Além disso, o algoritmo é incapaz de reconhecer características que não constam em seu banco de dados e demonstra falhas de desempenho ao prever o desenvolvimento de eventos fora dos padrões utilizados durante sua alimentação.
As chuvas de curta duração, comuns em regiões tropicais e conhecidas popularmente como “pancadas”, são um exemplo. “Elas surgem, crescem e caem muito rápido, e têm acumulados de chuva muito violentos”, explica o pesquisador. “Às vezes, o radar meteorológico não consegue capturar essa evolução, porque só faz medidas a cada 5, 10, 15 minutos. Se nesse intervalo a nuvem sai de um ponto A para um ponto B, o que acontece no meio é perdido e a observação não fornece as informações completas ao algoritmo.”
A solução encontrada pelos pesquisadores foi combinar um modelo de previsão por extrapolação a uma rede neural, criando um sistema híbrido com características das duas abordagens. Segundo Andrea Salome Viteri Lopez, autora do estudo, a próxima etapa do trabalho consiste em acoplar o sistema a um modelo probabilístico de previsão de cheias desenvolvido durante seu mestrado. O objetivo é criar uma ferramenta capaz de prever inundações, enchentes e alagamentos na cidade de São Paulo e apoiar entidades públicas na tomada de decisões relacionadas à prevenção e contenção de danos.
Titan e a rede de memória a longo prazo
O Titan é uma ferramenta de código aberto projetada pelo Centro Nacional de Pesquisa Atmosférica dos Estados Unidos (NCAR, em inglês). Esse sistema permite inserir dados de radares meteorológicos para identificar, rastrear e analisar tempestades, além de prever seu deslocamento em tempo real por meio da técnica de extrapolação.
“A vantagem do Titan é que é possível baixar o algoritmo e instalar facilmente em qualquer computador, sem precisar das licenças que geralmente são necessárias em muitos programas”, comenta Andrea. “Além disso, ele possui ferramentas que podem ser usadas com múltiplos tipos de radar, não só o que trabalhamos. Nossa intenção foi buscar uma solução que possa ser adaptada posteriormente para o uso com outros radares meteorológicos.”
No estudo, o Titan foi alimentado com imagens dos campos de chuva gerados pelo radar meteorológico do Daee-Spol, operado pela SP Águas (Agência de Águas do Estado de São Paulo), obtidas entre 2016 e 2019. As imagens das estimativas de chuva geradas pelo radar a cada cinco minutos foram analisadas pelo sistema com base em parâmetros pré-definidos. “Como especifiquei 1mm/h, a ferramenta delimitava como áreas de tempestade todos os pixels da imagem que possuíam um acumulado de chuva superior a um milímetro por hora”, explica a pesquisadora.
Durante o processamento, o sistema rastreou o ciclo de vida das tempestades e previu seu deslocamento a partir dos dados de área e velocidade disponíveis. Os resultados foram usados simultaneamente para treinar uma rede de memória a longo prazo — do inglês Long Short-Term Memory (LSTM) —, ou seja, uma rede neural criada para reter informações importantes por longos períodos e, com base nelas, tomar futuras decisões. A partir dos rastreamentos feitos pelo Titan, a LSTM foi treinada para prever a evolução temporal da área e do volume das chuvas.
Para determinar as características espaciais da tempestade em cada instante, considera-se um ponto central de maior intensidade e a diminuição progressiva do volume conforme o aumento da distância desse ponto – GIF: Andrea Lopez
Para validar o modelo, os pesquisadores compararam as previsões com os dados reais de progressão das chuvas registrados pelo radar. O Titan-LSTM foi utilizado para prever o desenvolvimento das precipitações em até 30 minutos após a observação. Quando comparado à operação individual do Titan, o sistema apresentou melhora na capacidade de previsão e diminuição na taxa de erros. Além disso, o desempenho foi comparável aos de modelos mais complexos de aprendizado profundo, mas com menor demanda de processamento computacional.
Andrea aponta que a ferramenta poderá facilitar a sua utilização, inclusive por entidades públicas, além de contribuir para sistemas de alerta e para o planejamento de medidas de redução de danos.
“Temos que observar para onde essas chuvas estão se deslocando no tempo para saber se uma determinada área será afetada ou não”, comenta Carlos Morales. “A ideia desse algoritmo é dar condições melhores para que os funcionários de centros de gerenciamento possam tomar decisões adequadas, tanto para logística quanto para salvar vidas.”
A tese Previsão de curtíssimo prazo a partir de um radar meteorológico polarimétrico está disponível no Banco Digital de Teses e Dissertações da USP. O estudo foi financiado pela Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e pela Coordenação de Aperfeiçoamento de Pessoa de Nível Superior (Capes).
Matéria: Hellen Indrigo | Jornal da USP.
