Pesquisadores do IAG-USP criaram uma previsão de tempestade que atualiza rota, área e intensidade da chuva a cada 5 minutos, olha 30 minutos à frente e roda num notebook comum, mas por enquanto só vale para tempestades que seguem inteiras
A chuva forte que escurece o céu de São Paulo em poucos minutos ganhou um rastreador novo. A ferramenta TITAN-LSTM, do IAG-USP, acompanha cada tempestade no radar e estima, de cinco em cinco minutos, para onde ela vai e quanta água carrega nos 30 minutos seguintes.
Tempestade de verão sobre São Paulo, em panorama de 125 graus feito do Jabaquara em 11 de dezembro de 2014. O autor estima a nuvem em cerca de 45 km de extensão. Foto: Lauro Sirgado, Wikimedia Commons, licença CC BY-SA 4.0, recortada.
A nova previsão de tempestade da USP estima a rota, a área e a intensidade da chuva até 30 minutos à frente, com atualização a cada 5 minutos. O sistema se chama TITAN-LSTM e foi apresentado pela Agência FAPESP em 1º de outubro de 2026.
Como a previsão de tempestade do TITAN-LSTM funciona
A ferramenta junta duas gerações de tecnologia. O TITAN é um algoritmo dos anos 1990 que rastreia nuvens no radar e diz onde a tempestade está, de onde veio e para onde está indo. A LSTM é uma rede neural com memória seletiva, desenhada para aprender sequências de eventos no tempo.
A divisão de tarefas é simples. O TITAN localiza a tempestade. A rede LSTM responde a outra pergunta: dado o que aconteceu com ela nos últimos minutos, como ela deve estar daqui a pouco?
Em vez de entregar à rede a imagem inteira do radar, o TITAN transforma cada tempestade numa sequência de números: área ocupada pela chuva, volume de precipitação, intensidade média e máxima, dimensões, direção e velocidade do movimento. A rede aprende como esses valores mudam e projeta a evolução.
Um radar da Grande São Paulo e 439 tempestades
Os pesquisadores usaram dados de 2016 a 2019 do radar meteorológico da barragem de Ponte Nova, em Biritiba Mirim, na Região Metropolitana de São Paulo. O equipamento faz uma varredura nova a cada cinco minutos, e o estudo considerou um raio de 120 quilômetros em volta dele.
Foram analisadas inicialmente mais de 32 mil tempestades. Para acompanhar a vida inteira de cada uma, a equipe ficou só com as que duraram mais de 20 minutos e não se fundiram com outras nuvens. Restaram 439: 307 serviram para treinar a rede e 132 ficaram separadas para o teste.
Acerto da área de chuva mais de três vezes maior
O índice de acerto da área de chuva subiu de 0,2 para cerca de 0,7 nos primeiros minutos, mais de três vezes o resultado do método tradicional. Os falsos alarmes caíram quase 70%, segundo a autora do trabalho, a pós-doutoranda Andrea Salome Viteri López.
A incerteza cresce quanto mais longe se olha. O erro na intensidade da chuva ficou em cerca de 3 milímetros por hora com cinco minutos de antecedência e em 3 a 4 milímetros por hora aos 30 minutos. O resumo do artigo, publicado no Journal of Geophysical Research, traz os mesmos valores.
Dar à rede um histórico mais longo da tempestade reduziu bastante os erros na área prevista. Ou seja, quanto mais a tempestade já viveu diante do radar, melhor a previsão do que vem depois.
Quanto vive uma tempestade e quando ela cresce mais
A análise das 439 tempestades revelou um padrão do verão paulista. Cerca de 70% ocorreram entre novembro e março, e aproximadamente 83% duraram entre 20 e 40 minutos.
As mais curtas chegaram à maior extensão por volta dos 15 minutos de vida. As de 40 a 60 minutos atingiram o máximo entre 25 e 30 minutos, e as que passaram de uma hora, entre 40 e 45 minutos.
Na amostra, portanto, a janela de 30 minutos cobre boa parte do ciclo de uma chuva típica. São essas curvas de crescimento e de fim que a LSTM consegue aprender.
O que a previsão muda para o alerta de enchente
Prever onde a tempestade estará em 5, 10 ou 15 minutos, que área vai cobrir e com que força vai chover é informação útil para sistemas de alerta de inundação e para a Defesa Civil. Foi o que a pesquisadora destacou à Agência FAPESP.
“O objetivo é ajudar na tomada de decisão, como interditar vias ou retirar pessoas de áreas de risco”, disse López. A estimativa de chuva por bacia também pode alimentar modelos hidrológicos e apontar mais cedo o risco de rio subir rápido e de alagamento.
Enquanto isso, o aviso que chega ao celular segue as cores do Inmet, explicadas em amarelo, laranja e vermelho: o que cada aviso quer dizer.
Para ver o que vale hoje, há o balanço de avisos do Inmet desta segunda-feira, e a matéria sobre como confirmar um aviso de tempestade no WhatsApp ajuda a separar o oficial do boato.
Por que roda num notebook comum
Muitos modelos de aprendizado profundo processam sequências de imagens e pedem placas de vídeo potentes. O TITAN-LSTM trabalha com séries de números tiradas do rastreamento, e o treino completo, com as 439 tempestades, levou cerca de 20 minutos num computador convencional, em Python.
“Uma das vantagens é que não precisamos de supercomputadores”, afirmou López. Segundo ela, o software pode ser instalado em qualquer notebook e adaptado a outros radares, desde que se considerem as especificações de cada um.
Antes da chuva, o céu às vezes dá sinais. O que a ciência mediu sobre eles está em céu esverdeado antes da tempestade.
Ainda não é um alerta pronto para o seu celular
A ferramenta trata por enquanto de tempestades contínuas, as que podem ser seguidas como um único objeto, sem se fundir com outras nem se dividir. A restrição foi proposital na primeira fase. A equipe já trabalha com tempestades complexas, que se fundem e se dividem.
O teste usou dados de um único radar, o de Ponte Nova, entre 2016 e 2019. A pesquisadora diz que a ideia é adaptar a ferramenta a outros radares do Brasil e, mais adiante, compartilhar previsões com órgãos de alerta e de prevenção de desastres.
Ou seja, o que existe hoje é um estudo publicado, com potencial de aplicação. O erro de 3 a 4 milímetros por hora aos 30 minutos também mostra que a previsão perde precisão com o tempo, e o uso em tempo real por Defesa Civil ainda é perspectiva, não rotina.
Quem assina o estudo
O trabalho foi desenvolvido com apoio da FAPESP por Andrea Salome Viteri López, pós-doutoranda no Instituto de Astronomia, Geofísica e Ciências Atmosféricas da USP. Carlos Augusto Morales Rodriguez, professor do instituto e orientador dela no doutorado, também assina o artigo.
O texto científico se chama “TITAN-LSTM: A weather radar nowcasting tool” e saiu no Journal of Geophysical Research: Machine Learning and Computation.
Fontes: Agência FAPESP, 1º de outubro de 2026. Artigo TITAN-LSTM no Journal of Geophysical Research: Machine Learning and Computation. Foto de capa: Wikimedia Commons.
