Este artigo está organizado em duas partes.
Parte 1 — O PSRCast em análises energéticas
A primeira parte baseia-se em uma apresentação recente realizada na DTU PES Summer School, na Dinamarca. Ela fornece uma visão geral abrangente do PSRCast, a ferramenta de geração de cenários baseada em inteligência artificial (IA) da PSR, e sua integração com ferramentas analíticas como o SDDP. Os links para o material apresentado por Luiz Barroso e o vídeo correspondente estão abaixo:
Apresentação: https://www.psr-inc.com/app/link/?t=d&f=2026-05LuizBarrosoDTUSummerSchool.pdf
Vídeo: https://www.youtube.com/watch?v=p7CLXFiqxCU
Parte 2 — Aplicações além do planejamento energético
A segunda parte, escrita por Julio Alberto Dias e Mario Veiga Pereira, é adaptada de uma edição recente do Energy Report da PSR (https://www.psr-inc.com/en/energy-report/). Ela descreve aplicações adicionais do PSRCast ao seguro agrícola, ao saneamento e a outras áreas, e discute a modelagem de eventos extremos baseada em IA, que requer adaptações metodológicas em comparação com a modelagem padrão do PSRCast. Um podcast recente complementa essa discussão: https://www.youtube.com/watch?v=U-7HrFSMSIg.
Entre as diversas frentes de aplicação da IA, a modelagem climática é hoje um dos temas centrais de maior interesse estratégico. Seja para melhorar previsões, reduzir vieses em modelos físicos, gerar cenários sintéticos ou identificar padrões complexos em grandes bases de dados, as técnicas de aprendizado de máquina expandiram significativamente a capacidade de extrair informações úteis dos sistemas climáticos.
Esse movimento ganha relevância adicional no contexto das mudanças climáticas. Em um ambiente estacionário, no qual o comportamento passado seria um bom guia para o futuro, modelos estatísticos baseados exclusivamente em séries históricas poderiam fornecer respostas razoáveis para diversos problemas de planejamento. No entanto, o sistema climático atual está em transição. Mudanças na circulação atmosférica, na frequência de extremos e na interação oceano-atmosfera tornam cada vez mais frágil a hipótese de que o passado recente representa adequadamente as condições futuras. Nesse cenário, métodos que simplesmente reproduzem padrões históricos tendem a se tornar insuficientes para capturar novos contextos de risco.
Ao mesmo tempo, a revolução digital ampliou significativamente o acesso às informações climáticas. Projeções de múltiplos modelos de circulação global (GCMs), desenvolvidos por diferentes centros de pesquisa, institutos e laboratórios ao redor do mundo, estão agora amplamente disponíveis. Ensembles multi-modelos de alta qualidade e bases de dados de reanálise oferecem um volume sem precedentes de dados do sistema climático. O desafio, portanto, deixou de ser a escassez de informação e passou a ser a capacidade de integrá-la, interpretá-la e traduzi-la em cenários consistentes e utilizáveis para a tomada de decisão.
Dada a forte dependência do setor elétrico das condições meteorológicas, a PSR desenvolveu o PSRCast: um modelo de IA projetado com o objetivo de transformar as projeções dos modelos de circulação global em cenários plausíveis de recursos hídricos, de disponibilidade de geração renovável variável e de demanda, consistentes com as necessidades de operação e planejamento energético. Ele é estruturado para capturar essas relações de forma probabilística, construindo um gerador de cenários robusto, condicionado a sinais climáticos globais.
A figura a seguir mostra a arquitetura do PSRCast.
Conforme mostrado na figura, o PSRCast é uma Rede Neural Profunda (DNN) com três camadas, em que as entradas do conjunto de treinamento são as previsões dos GCMs e as saídas são os eventos reais. Essa arquitetura permite a geração de milhares de cenários climáticos em períodos que variam de 15 dias a dez anos. O PSRCast emula o comportamento dos GCMs, mas pode ser executado milhares de vezes mais rápido.
Aplicações do PSRCast
- Novas estratégias de planejamento e operação de energia relacionadas ao clima para o Brasil, Colômbia, México, Costa Rica e outros países
- Avaliação do impacto climático na confiabilidade e nos preços do suprimento de eletricidade (diversos clientes)
- Avaliação de risco de abastecimento para uma concessionária de água
- Novas diretrizes para relatórios de risco climático de concessionárias (em parceria com o BTG)
- Avaliação de risco climático para o seguro agrícola
- Cenários de eventos climáticos extremos de chuva e rajadas de vento
Como mencionado, as aplicações do PSRCast para energia foram apresentadas em uma edição anterior do Energy Report. A seguir, apresentaremos as duas últimas aplicações da lista: seguro agrícola e cenários de eventos climáticos extremos de temperatura e vento.
Seguro agrícola
A arquitetura do PSRCast vai além da aplicação específica ao setor elétrico; ela pode aprender as relações entre as projeções dos GCMs e qualquer variável derivada desses sinais climáticos. Nesse contexto, seu desempenho pode ser entendido como um processo probabilístico de “downscaling”, que traduz os sinais de larga escala dos modelos globais para a escala de interesse, ajusta os vieses estruturais em relação ao observado e incorpora explicitamente a incerteza do processo.
Uma das aplicações recentes para as quais a PSR tem contribuído é a projeção de culturas agrícolas, cuja produtividade ao longo dos ciclos é fortemente dependente das condições meteorológicas. Variáveis como temperatura máxima e mínima diária, radiação solar acumulada, vento e precipitação têm influência direta no desenvolvimento das culturas e constituem parâmetros fundamentais nos modelos de simulação agronômica.
A figura a seguir mostra a localização geográfica das regiões analisadas no contexto desta atividade. A ampla distribuição espacial destaca a diversidade das dinâmicas climáticas envolvidas, bem como a variedade de culturas agrícolas consideradas, como soja, milho e outras, cada uma com sensibilidades específicas às condições meteorológicas.
Nessa aplicação, o objetivo do PSRCast é gerar centenas de cenários com resolução diária e horizonte de um ano para um conjunto de variáveis meteorológicas em todos os pontos analisados.
Esses cenários são construídos de forma a preservar não apenas os padrões estatísticos individuais de cada variável, mas também as correlações espaciais e temporais entre elas, bem como outras estruturas de dependência que influenciam o desenvolvimento das culturas ao longo do ciclo produtivo. Como mencionado anteriormente, a diferença do PSRCast está no fato de que ele não utiliza registros históricos para gerar cenários, pois, devido às mudanças climáticas, o passado não é mais uma referência representativa para o futuro. E como os leitores podem imaginar, ter a distribuição de probabilidade correta dos eventos do próximo ano é fundamental para o cálculo dos prêmios de seguro agrícola.
Na figura a seguir, apresentam-se exemplos de projeções retrospectivas para o ciclo de colheita iniciado no final de 2022, com o objetivo de ilustrar, de forma geral, os cenários que teriam sido projetados pelo PSRCast em comparação com os valores observados ao longo do ciclo.
Cabe destacar que, no contexto de projeção de longo prazo, as análises retrospectivas não apenas servem para diagnosticar a adequação do modelo na construção de cenários consistentes, mas também para possibilitar comparações entre a projeção atual e anos recentes. Essa abordagem permite uma quantificação relativa das condições projetadas em comparação com o passado recente, fornecendo uma referência adicional para a interpretação do risco e a tomada de decisões sobre o prêmio do seguro.
Esse tipo de comparação está exemplificado na figura a seguir.
Esses cenários podem então alimentar diretamente modelos de simulação de culturas para estimar a produtividade. Como os cenários gerados preservam as características estatísticas naturais das variáveis meteorológicas, bem como suas dependências espaciais e temporais, fornecem entradas coerentes e fisicamente consistentes para essas ferramentas.
Risco de chuvas extremas
Os eventos de precipitação extrema estão entre os principais fatores de risco para o setor elétrico brasileiro. Chuvas intensas e persistentes impactam diretamente a segurança de barragens, o gerenciamento de vertimentos, a integridade das estruturas civis e a confiabilidade dos sistemas de transmissão e distribuição. Em cenários de alta variabilidade climática, a capacidade de antecipar aumentos na probabilidade de eventos extremos torna-se não apenas uma vantagem analítica, mas um elemento central do gerenciamento de riscos e da preservação da segurança operacional, especialmente no contexto atual em que já sentimos os impactos das mudanças climáticas.
No horizonte de curto prazo, ou seja, nas próximas horas ou poucos dias, o risco de eventos de precipitação extrema é razoavelmente bem antecipado por modelos meteorológicos regionais de alta resolução. Esses modelos resolvem explicitamente a dinâmica da atmosfera e sua interação com a superfície com alto detalhe espacial e temporal, tornando possível identificar a formação e a evolução de sistemas convectivos intensos com boa capacidade preditiva. Nessa escala, a combinação de física detalhada e a assimilação frequente de dados observacionais fornece uma base sólida para alertas meteorológicos e ações de resposta imediata.
O desafio se desloca quando o foco está na quantificação do risco em horizontes mais longos — os próximos meses, por exemplo — nos quais decisões estratégicas devem ser tomadas sob incerteza estrutural. Nesse contexto, a análise deixa de ser um problema de previsão determinística de um evento específico e se torna uma avaliação de mudanças no perfil de probabilidade dos extremos.
Em um cenário hipotético de capacidade computacional ilimitada, seria possível monitorar probabilisticamente o risco de eventos extremos simulando um número virtualmente infinito de trajetórias atmosféricas plausíveis. Cada trajetória evoluiria de acordo com as mesmas equações físicas utilizadas nos modelos meteorológicos, permitindo que a distribuição de probabilidade de precipitação extrema fosse estimada diretamente com base na frequência de ocorrência nos diferentes cenários simulados. Na prática, porém, as limitações computacionais tornam impossível construir ensembles dessa magnitude, especialmente ao longo de um período de semanas a meses. Como alternativa, abordagens estatísticas têm sido utilizadas para caracterizar o comportamento dos extremos, como análises de valores extremos (modelos GEV e a abordagem de Picos sobre o Limiar com distribuições de Pareto Generalizada), ajuste de distribuições paramétricas às caudas de séries históricas, além de métodos baseados em reamostragem e geração estocástica de cenários sintéticos. Embora úteis, essas estratégias dependem fortemente de hipóteses estruturais e tendem a capturar de forma limitada a não linearidade e a dinâmica multiescala que governam a ocorrência de eventos extremos.
IA para extremos: igual, mas diferente
À primeira vista, pode parecer que o monitoramento estrutural do risco de eventos extremos de precipitação é apenas uma extensão natural do modelo de IA para geração de cenários de longo prazo apresentado anteriormente. Afinal, se podemos gerar cenários prospectivos para variáveis como temperatura, precipitação, vento e vazão, bastaria avaliar a distribuição desses cenários e extrair as probabilidades associadas aos eventos mais severos.
No entanto, embora existam semelhanças metodológicas, a natureza do problema impõe desafios conceitualmente distintos.
Em síntese, duas peculiaridades centrais se destacam. A primeira é a necessidade de incorporar explicitamente conceitos da teoria de valores extremos na modelagem. Por definição, eventos extremos são raros, e sua representação nos dados históricos é limitada tanto em frequência quanto na diversidade de configurações atmosféricas. Modelos treinados predominantemente para reproduzir padrões médios ou distribuições centrais tendem a sub-representar as caudas, precisamente onde reside o risco mais crítico.
A segunda peculiaridade diz respeito à própria natureza das projeções de precipitação em horizontes de meses. Ensembles derivados de modelos de circulação global são geralmente adequados para caracterizar anomalias médias e padrões sazonais esperados, funcionando bem como “drivers” para projeções hidrológicas e energéticas agregadas. No entanto, esses ensembles não foram projetados para representar fielmente a física associada a eventos extremos localizados e intensos.
Em uma edição anterior do ER, foi mostrado que a representação de eventos extremos de temperatura e vento com o suporte da IA pode ser compreendida de forma intuitiva (e simplificada) pela seguinte analogia: é um processo semelhante ao uso de modelos de super-resolução em imagens e vídeos. Assim como algoritmos de IA aprendem a transformar um filme de baixa resolução em uma sequência de “fotografias” mais nítidas e detalhadas, preservando a coerência espacial e temporal, modelos treinados nas saídas de modelos climáticos podem aprender a refinar grades de temperatura e vento, convertendo campos atmosféricos de baixa resolução em representações mais detalhadas. Como essas variáveis são estados resolvidos dinamicamente pelas equações fundamentais da atmosfera, o processo de “escalamento” tende a preservar estruturas físicas coerentes, permitindo a reprodução mais fiel dos extremos locais.
Por exemplo, essa “resolução” espacial aumentada está sendo utilizada para modelar rajadas de vento capazes de derrubar torres de transmissão, em um projeto de P&D em andamento.
No entanto, a modelagem de precipitação extrema requer cuidados adicionais. A razão é que, nos GCMs, a precipitação não é uma variável resolvida diretamente pelas equações físicas primárias, mas um produto derivado de múltiplas parametrizações. Isso muda a natureza do problema, pois o simples refinamento espacial do campo de chuva não garante a reconstrução consistente dos mecanismos físicos associados a eventos extremos, exigindo uma abordagem conceitualmente diferente.
A projeção de longo prazo da precipitação não é a melhor variável explicativa para a precipitação extrema real.
Assim, em vez de tomar a chuva simulada por modelos globais como variável explicativa central, podemos utilizar uma abordagem que desloca o foco para os sinais atmosféricos que precedem e sustentam os extremos. O monitoramento é agora condicionado por variáveis com maior previsibilidade sinótica e maior estabilidade estrutural, como o conteúdo total de vapor na coluna atmosférica, o movimento vertical nos níveis médios da troposfera, a umidade relativa em diferentes níveis de pressão e os ventos não apenas na superfície, mas também em níveis atmosféricos específicos. Em conjunto, esses campos representam a disponibilidade de umidade, o forçamento vertical dinâmico e o transporte organizado de vapor — três pilares físicos fundamentais para a ocorrência de precipitação extrema.
A figura a seguir apresenta algumas das principais variáveis projetadas pelos modelos de circulação global que ajudam a explicar eventos extremos de precipitação, bem como o grau de previsibilidade de cada uma.
PWAT: Conteúdo total de vapor d’água na coluna atmosférica. Melhor indicador do potencial máximo de precipitação.
u850/v850: Componentes zonal e meridional do vento em 850 hPa. Representam o transporte organizado de umidade nos baixos níveis.
w500: Velocidade vertical do ar em 500 hPa. Indicador robusto do forçamento dinâmico profundo associado a sistemas organizados.
RH850: Umidade relativa em 850 hPa. Controla o fornecimento de umidade, mas já sofre influência local.
w700: Velocidade vertical do ar em 700 hPa. Útil para capturar a intensificação convectiva, porém mais sensível ao ruído de subgrade.
RH700: Umidade relativa em 700 hPa. Informação complementar; maior variabilidade e menor robustez isolada.
Pr: Previsão de precipitação do modelo global. Resultado de parametrizações; maior viés estrutural e menor robustez para extremos específicos.
A partir desse conjunto de condicionantes fisicamente embasados, podemos aplicar uma arquitetura de Autoencoders Variacionais Condicionais (CVAEs) — a terceira camada da DNN do PSRCast, conforme a figura anterior — treinando-os para gerar cenários consistentes de precipitação extrema em pontos de interesse específicos, preservando tanto a coerência física quanto a variabilidade estatística observada. Com relação à representação estatística, a estrutura do CVAE deve ser adaptada para refletir de forma mais adequada a natureza assimétrica e intermitente da precipitação extrema.¹
Essa estratégia permite separar dois níveis de incerteza: (i) a incerteza associada ao estado atmosférico de larga escala, proveniente dos ensembles dos modelos globais; e (ii) a incerteza associada aos processos “subgrade” e à variabilidade local, capturada pelo componente probabilístico do modelo de IA.
Essa abordagem é particularmente consistente com os fundamentos da teoria de extremos, pois reconhece a natureza altamente assimétrica, de caudas pesadas e dependente das condições meteorológicas que caracteriza os eventos de precipitação intensa.
A figura a seguir apresenta um exemplo real ilustrativo no qual o modelo foi calibrado para gerar cenários de precipitação consistentes em uma barragem no sul do país.
A partir de diferentes condições atmosféricas projetadas, é possível produzir um conjunto massivo de sequências diárias de precipitação, permitindo a construção de distribuições de risco prospectivas. Esses cenários podem ser avaliados e comparados com referências históricas e parâmetros de projeto, tornando possível identificar, por exemplo, se há indícios de aumento na probabilidade de ocorrência de eventos extremos nas condições meteorológicas atuais ou se os tempos de retorno associados às precipitações críticas consideradas no projeto da barragem permanecem adequadamente cobertos.
Uso de DNNs e satélites para estimar a retirada de água para irrigação
A retirada de água para irrigação é uma informação muito relevante para a operação do sistema hidroelétrico. Em um artigo para a Elera, a PSR desenvolveu uma metodologia baseada em IA e informações de espectros eletromagnéticos do solo, medidos por satélites, para estimar de forma precisa e automática essa remoção. O procedimento está resumido na figura a seguir.
De forma simplificada, as informações espectrais permitem identificar cada tipo de cultura. Essa identificação, por sua vez, possibilita calcular a necessidade hídrica. A etapa final é estimar a necessidade de irrigação pela diferença entre a precipitação (produzida pelo PSRCast) e a demanda de água. Os resultados se mostraram bastante precisos, e atualmente estamos incluindo o efeito da evaporação de reservatórios na estimativa e refinando as medições para intervalos mais curtos. Esta informação é de grande importância para uma melhor gestão do chamado nexo água-energia-alimento na região Nordeste.
Aplicações de impacto de incêndios
Assim como no caso do PSRCast, visto anteriormente, o mesmo framework de IA pode ser utilizado para diferentes aplicações. Como mostra a figura a seguir, uma análise espectral análoga foi utilizada para determinar o dano real às lavouras de cana-de-açúcar que foram queimadas em 2025. O modelo identificou corretamente as áreas onde a cana foi “chamuscada” e onde foi queimada. Isso, por sua vez, permitiu uma melhor estimativa do impacto nos preços do açúcar e do etanol.
Conclusões
As aplicações da IA à modelagem climática permitiram um ganho significativo de qualidade e resolução na análise das distribuições de probabilidade de eventos afetados pelas mudanças climáticas. Como demonstrado, essas aplicações se estendem além da área energética.
As técnicas de IA também demonstraram permitir a representação de eventos extremos, como inundações e rajadas de vento. A modelagem desses eventos requer cuidados adicionais, mas os resultados são igualmente significativos em muitas áreas.
A terceira área é a combinação da IA com informações de satélites. A amplitude dos resultados foi demonstrada novamente, e sua relevância só aumentará no futuro com o crescimento das medições por satélite.
¹Em vez de assumir uma parametrização gaussiana tradicional, na qual o espaço latente converge para uma distribuição normal, propomos uma formulação mais sofisticada, na qual o processo generativo incorpora uma combinação de Bernoulli-Gama. Nessa configuração, o componente de Bernoulli modela explicitamente a probabilidade de o evento ocorrer (chuva versus ausência de chuva), enquanto o componente Gama representa a distribuição das intensidades condicionada à ocorrência. Variáveis atmosféricas condicionantes modulam simultaneamente esses dois mecanismos: alteram tanto a probabilidade de ativação do evento quanto os parâmetros que governam sua magnitude.
