A primeira parte baseia-se em uma apresenta\u00e7\u00e3o recente realizada na DTU PES Summer School, na Dinamarca. Ela fornece uma vis\u00e3o geral abrangente do PSRCast, a ferramenta de gera\u00e7\u00e3o de cen\u00e1rios baseada em intelig\u00eancia artificial (IA) da PSR, e sua integra\u00e7\u00e3o com ferramentas anal\u00edticas como o SDDP. Os links para o material apresentado por Luiz Barroso<\/strong> e o v\u00eddeo correspondente est\u00e3o abaixo:<\/p>\n\n\n\n Apresenta\u00e7\u00e3o<\/em><\/strong><\/a>: https:\/\/www.psr-inc.com\/app\/link\/?t=d&f=2026-05LuizBarrosoDTUSummerSchool.pdf<\/a><\/p>\n\n\n\n V\u00eddeo<\/em><\/strong><\/a>: https:\/\/www.youtube.com\/watch?v=p7CLXFiqxCU<\/a><\/p>\n\n\n\n Parte 2 \u2014 Aplica\u00e7\u00f5es al\u00e9m do planejamento energ\u00e9tico<\/strong><\/p>\n\n\n\n A segunda parte, escrita por Julio Alberto Dias<\/strong> e Mario Veiga Pereira<\/strong>, \u00e9 adaptada de uma edi\u00e7\u00e3o recente do Energy Report da PSR (https:\/\/www.psr-inc.com\/en\/energy-report\/). Ela descreve aplica\u00e7\u00f5es adicionais do PSRCast ao seguro agr\u00edcola, ao saneamento e a outras \u00e1reas, e discute a modelagem de eventos extremos baseada em IA, que requer adapta\u00e7\u00f5es metodol\u00f3gicas em compara\u00e7\u00e3o com a modelagem padr\u00e3o do PSRCast. Um podcast recente complementa essa discuss\u00e3o: https:\/\/www.youtube.com\/watch?v=U-7HrFSMSIg.<\/p>\n\n\n\n Entre as diversas frentes de aplica\u00e7\u00e3o da IA, a modelagem clim\u00e1tica \u00e9 hoje um dos temas centrais de maior interesse estrat\u00e9gico. Seja para melhorar previs\u00f5es, reduzir vieses em modelos f\u00edsicos, gerar cen\u00e1rios sint\u00e9ticos ou identificar padr\u00f5es complexos em grandes bases de dados, as t\u00e9cnicas de aprendizado de m\u00e1quina expandiram significativamente a capacidade de extrair informa\u00e7\u00f5es \u00fateis dos sistemas clim\u00e1ticos.<\/p>\n\n\n\n Esse movimento ganha relev\u00e2ncia adicional no contexto das mudan\u00e7as clim\u00e1ticas. Em um ambiente estacion\u00e1rio, no qual o comportamento passado seria um bom guia para o futuro, modelos estat\u00edsticos baseados exclusivamente em s\u00e9ries hist\u00f3ricas poderiam fornecer respostas razo\u00e1veis para diversos problemas de planejamento. No entanto, o sistema clim\u00e1tico atual est\u00e1 em transi\u00e7\u00e3o. Mudan\u00e7as na circula\u00e7\u00e3o atmosf\u00e9rica, na frequ\u00eancia de extremos e na intera\u00e7\u00e3o oceano-atmosfera tornam cada vez mais fr\u00e1gil a hip\u00f3tese de que o passado recente representa adequadamente as condi\u00e7\u00f5es futuras. Nesse cen\u00e1rio, m\u00e9todos que simplesmente reproduzem padr\u00f5es hist\u00f3ricos tendem a se tornar insuficientes para capturar novos contextos de risco.<\/p>\n\n\n\n Ao mesmo tempo, a revolu\u00e7\u00e3o digital ampliou significativamente o acesso \u00e0s informa\u00e7\u00f5es clim\u00e1ticas. Proje\u00e7\u00f5es de m\u00faltiplos modelos de circula\u00e7\u00e3o global (GCMs), desenvolvidos por diferentes centros de pesquisa, institutos e laborat\u00f3rios ao redor do mundo, est\u00e3o agora amplamente dispon\u00edveis. Ensembles<\/em> multi-modelos de alta qualidade e bases de dados de rean\u00e1lise oferecem um volume sem precedentes de dados do sistema clim\u00e1tico. O desafio, portanto, deixou de ser a escassez de informa\u00e7\u00e3o e passou a ser a capacidade de integr\u00e1-la, interpret\u00e1-la e traduzi-la em cen\u00e1rios consistentes e utiliz\u00e1veis para a tomada de decis\u00e3o.<\/p>\n\n\n\n Dada a forte depend\u00eancia do setor el\u00e9trico das condi\u00e7\u00f5es meteorol\u00f3gicas, a PSR desenvolveu o PSRCast:<\/strong> um modelo de IA projetado com o objetivo de transformar as proje\u00e7\u00f5es dos modelos de circula\u00e7\u00e3o global em cen\u00e1rios plaus\u00edveis de recursos h\u00eddricos, de disponibilidade de gera\u00e7\u00e3o renov\u00e1vel vari\u00e1vel e de demanda, consistentes com as necessidades de opera\u00e7\u00e3o e planejamento energ\u00e9tico. Ele \u00e9 estruturado para capturar essas rela\u00e7\u00f5es de forma probabil\u00edstica, construindo um gerador de cen\u00e1rios robusto, condicionado a sinais clim\u00e1ticos globais.<\/p>\n\n\n\n A figura a seguir mostra a arquitetura do PSRCast<\/strong>.<\/p>\n\n\n\n Conforme mostrado na figura, o PSRCast \u00e9 uma Rede Neural Profunda (DNN) com tr\u00eas camadas, em que as entradas do conjunto de treinamento s\u00e3o as previs\u00f5es dos GCMs e as sa\u00eddas s\u00e3o os eventos reais. Essa arquitetura permite a gera\u00e7\u00e3o de milhares de cen\u00e1rios clim\u00e1ticos em per\u00edodos que variam de 15 dias a dez anos. O PSRCast<\/strong> emula o comportamento dos GCMs, mas pode ser executado milhares de vezes mais r\u00e1pido.<\/p>\n\n\n\n Como mencionado, as aplica\u00e7\u00f5es do PSRCast<\/strong> para energia foram apresentadas em uma edi\u00e7\u00e3o anterior do Energy Report. A seguir, apresentaremos as duas \u00faltimas aplica\u00e7\u00f5es da lista: seguro agr\u00edcola e cen\u00e1rios de eventos clim\u00e1ticos extremos de temperatura e vento.<\/p>\n\n\n\n A arquitetura do PSRCast<\/strong> vai al\u00e9m da aplica\u00e7\u00e3o espec\u00edfica ao setor el\u00e9trico; ela pode aprender as rela\u00e7\u00f5es entre as proje\u00e7\u00f5es dos GCMs e qualquer vari\u00e1vel derivada desses sinais clim\u00e1ticos. Nesse contexto, seu desempenho pode ser entendido como um processo probabil\u00edstico de “downscaling”, que traduz os sinais de larga escala dos modelos globais para a escala de interesse, ajusta os vieses estruturais em rela\u00e7\u00e3o ao observado e incorpora explicitamente a incerteza do processo.<\/p>\n\n\n\n Uma das aplica\u00e7\u00f5es recentes para as quais a PSR<\/strong> tem contribu\u00eddo \u00e9 a proje\u00e7\u00e3o de culturas agr\u00edcolas, cuja produtividade ao longo dos ciclos \u00e9 fortemente dependente das condi\u00e7\u00f5es meteorol\u00f3gicas. Vari\u00e1veis como temperatura m\u00e1xima e m\u00ednima di\u00e1ria, radia\u00e7\u00e3o solar acumulada, vento e precipita\u00e7\u00e3o t\u00eam influ\u00eancia direta no desenvolvimento das culturas e constituem par\u00e2metros fundamentais nos modelos de simula\u00e7\u00e3o agron\u00f4mica.<\/p>\n\n\n\n A figura a seguir mostra a localiza\u00e7\u00e3o geogr\u00e1fica das regi\u00f5es analisadas no contexto desta atividade. A ampla distribui\u00e7\u00e3o espacial destaca a diversidade das din\u00e2micas clim\u00e1ticas envolvidas, bem como a variedade de culturas agr\u00edcolas consideradas, como soja, milho e outras, cada uma com sensibilidades espec\u00edficas \u00e0s condi\u00e7\u00f5es meteorol\u00f3gicas.<\/p>\n\n\n\n Nessa aplica\u00e7\u00e3o, o objetivo do PSRCast<\/strong> \u00e9 gerar centenas de cen\u00e1rios com resolu\u00e7\u00e3o di\u00e1ria e horizonte de um ano para um conjunto de vari\u00e1veis meteorol\u00f3gicas em todos os pontos analisados.<\/p>\n\n\n\n Esses cen\u00e1rios s\u00e3o constru\u00eddos de forma a preservar n\u00e3o apenas os padr\u00f5es estat\u00edsticos individuais de cada vari\u00e1vel, mas tamb\u00e9m as correla\u00e7\u00f5es espaciais e temporais entre elas, bem como outras estruturas de depend\u00eancia que influenciam o desenvolvimento das culturas ao longo do ciclo produtivo. Como mencionado anteriormente, a diferen\u00e7a do PSRCast<\/strong> est\u00e1 no fato de que ele n\u00e3o utiliza registros hist\u00f3ricos para gerar cen\u00e1rios, pois, devido \u00e0s mudan\u00e7as clim\u00e1ticas, o passado n\u00e3o \u00e9 mais uma refer\u00eancia representativa para o futuro. E como os leitores podem imaginar, ter a distribui\u00e7\u00e3o de probabilidade correta dos eventos do pr\u00f3ximo ano \u00e9 fundamental para o c\u00e1lculo dos pr\u00eamios de seguro agr\u00edcola.<\/p>\n\n\n\n Na figura a seguir, apresentam-se exemplos de proje\u00e7\u00f5es retrospectivas para o ciclo de colheita iniciado no final de 2022, com o objetivo de ilustrar, de forma geral, os cen\u00e1rios que teriam sido projetados pelo PSRCast<\/strong> em compara\u00e7\u00e3o com os valores observados ao longo do ciclo.<\/p>\n\n\n\n Cabe destacar que, no contexto de proje\u00e7\u00e3o de longo prazo, as an\u00e1lises retrospectivas n\u00e3o apenas servem para diagnosticar a adequa\u00e7\u00e3o do modelo na constru\u00e7\u00e3o de cen\u00e1rios consistentes, mas tamb\u00e9m para possibilitar compara\u00e7\u00f5es entre a proje\u00e7\u00e3o atual e anos recentes. Essa abordagem permite uma quantifica\u00e7\u00e3o relativa das condi\u00e7\u00f5es projetadas em compara\u00e7\u00e3o com o passado recente, fornecendo uma refer\u00eancia adicional para a interpreta\u00e7\u00e3o do risco e a tomada de decis\u00f5es sobre o pr\u00eamio do seguro.<\/p>\n\n\n\n Esse tipo de compara\u00e7\u00e3o est\u00e1 exemplificado na figura a seguir.<\/p>\n\n\n\n Esses cen\u00e1rios podem ent\u00e3o alimentar diretamente modelos de simula\u00e7\u00e3o de culturas para estimar a produtividade. Como os cen\u00e1rios gerados preservam as caracter\u00edsticas estat\u00edsticas naturais das vari\u00e1veis meteorol\u00f3gicas, bem como suas depend\u00eancias espaciais e temporais, fornecem entradas coerentes e fisicamente consistentes para essas ferramentas.<\/p>\n\n\n\n Os eventos de precipita\u00e7\u00e3o extrema est\u00e3o entre os principais fatores de risco para o setor el\u00e9trico brasileiro. Chuvas intensas e persistentes impactam diretamente a seguran\u00e7a de barragens, o gerenciamento de vertimentos, a integridade das estruturas civis e a confiabilidade dos sistemas de transmiss\u00e3o e distribui\u00e7\u00e3o. Em cen\u00e1rios de alta variabilidade clim\u00e1tica, a capacidade de antecipar aumentos na probabilidade de eventos extremos torna-se n\u00e3o apenas uma vantagem anal\u00edtica, mas um elemento central do gerenciamento de riscos e da preserva\u00e7\u00e3o da seguran\u00e7a operacional, especialmente no contexto atual em que j\u00e1 sentimos os impactos das mudan\u00e7as clim\u00e1ticas.<\/p>\n\n\n\n No horizonte de curto prazo, ou seja, nas pr\u00f3ximas horas ou poucos dias, o risco de eventos de precipita\u00e7\u00e3o extrema \u00e9 razoavelmente bem antecipado por modelos meteorol\u00f3gicos regionais de alta resolu\u00e7\u00e3o. Esses modelos resolvem explicitamente a din\u00e2mica da atmosfera e sua intera\u00e7\u00e3o com a superf\u00edcie com alto detalhe espacial e temporal, tornando poss\u00edvel identificar a forma\u00e7\u00e3o e a evolu\u00e7\u00e3o de sistemas convectivos intensos com boa capacidade preditiva. Nessa escala, a combina\u00e7\u00e3o de f\u00edsica detalhada e a assimila\u00e7\u00e3o frequente de dados observacionais fornece uma base s\u00f3lida para alertas meteorol\u00f3gicos e a\u00e7\u00f5es de resposta imediata.<\/p>\n\n\n\n O desafio se desloca quando o foco est\u00e1 na quantifica\u00e7\u00e3o do risco em horizontes mais longos \u2014 os pr\u00f3ximos meses, por exemplo \u2014 nos quais decis\u00f5es estrat\u00e9gicas devem ser tomadas sob incerteza estrutural. Nesse contexto, a an\u00e1lise deixa de ser um problema de previs\u00e3o determin\u00edstica de um evento espec\u00edfico e se torna uma avalia\u00e7\u00e3o de mudan\u00e7as no perfil de probabilidade dos extremos.<\/p>\n\n\n\n Em um cen\u00e1rio hipot\u00e9tico de capacidade computacional ilimitada, seria poss\u00edvel monitorar probabilisticamente o risco de eventos extremos simulando um n\u00famero virtualmente infinito de trajet\u00f3rias atmosf\u00e9ricas plaus\u00edveis. Cada trajet\u00f3ria evoluiria de acordo com as mesmas equa\u00e7\u00f5es f\u00edsicas utilizadas nos modelos meteorol\u00f3gicos, permitindo que a distribui\u00e7\u00e3o de probabilidade de precipita\u00e7\u00e3o extrema fosse estimada diretamente com base na frequ\u00eancia de ocorr\u00eancia nos diferentes cen\u00e1rios simulados. Na pr\u00e1tica, por\u00e9m, as limita\u00e7\u00f5es computacionais tornam imposs\u00edvel construir ensembles<\/em> dessa magnitude, especialmente ao longo de um per\u00edodo de semanas a meses. Como alternativa, abordagens estat\u00edsticas t\u00eam sido utilizadas para caracterizar o comportamento dos extremos, como an\u00e1lises de valores extremos (modelos GEV e a abordagem de Picos sobre o Limiar com distribui\u00e7\u00f5es de Pareto Generalizada), ajuste de distribui\u00e7\u00f5es param\u00e9tricas \u00e0s caudas de s\u00e9ries hist\u00f3ricas, al\u00e9m de m\u00e9todos baseados em reamostragem e gera\u00e7\u00e3o estoc\u00e1stica de cen\u00e1rios sint\u00e9ticos. Embora \u00fateis, essas estrat\u00e9gias dependem fortemente de hip\u00f3teses estruturais e tendem a capturar de forma limitada a n\u00e3o linearidade e a din\u00e2mica multiescala que governam a ocorr\u00eancia de eventos extremos.<\/p>\n\n\n\n \u00c0 primeira vista, pode parecer que o monitoramento estrutural do risco de eventos extremos de precipita\u00e7\u00e3o \u00e9 apenas uma extens\u00e3o natural do modelo de IA para gera\u00e7\u00e3o de cen\u00e1rios de longo prazo apresentado anteriormente. Afinal, se podemos gerar cen\u00e1rios prospectivos para vari\u00e1veis como temperatura, precipita\u00e7\u00e3o, vento e vaz\u00e3o, bastaria avaliar a distribui\u00e7\u00e3o desses cen\u00e1rios e extrair as probabilidades associadas aos eventos mais severos.<\/p>\n\n\n\n No entanto, embora existam semelhan\u00e7as metodol\u00f3gicas, a natureza do problema imp\u00f5e desafios conceitualmente distintos.<\/p>\n\n\n\n Em s\u00edntese, duas peculiaridades centrais se destacam. A primeira \u00e9 a necessidade de incorporar explicitamente conceitos da teoria de valores extremos na modelagem. Por defini\u00e7\u00e3o, eventos extremos s\u00e3o raros, e sua representa\u00e7\u00e3o nos dados hist\u00f3ricos \u00e9 limitada tanto em frequ\u00eancia quanto na diversidade de configura\u00e7\u00f5es atmosf\u00e9ricas. Modelos treinados predominantemente para reproduzir padr\u00f5es m\u00e9dios ou distribui\u00e7\u00f5es centrais tendem a sub-representar as caudas, precisamente onde reside o risco mais cr\u00edtico.<\/p>\n\n\n\n A segunda peculiaridade diz respeito \u00e0 pr\u00f3pria natureza das proje\u00e7\u00f5es de precipita\u00e7\u00e3o em horizontes de meses. Ensembles<\/em> derivados de modelos de circula\u00e7\u00e3o global s\u00e3o geralmente adequados para caracterizar anomalias m\u00e9dias e padr\u00f5es sazonais esperados, funcionando bem como “drivers” para proje\u00e7\u00f5es hidrol\u00f3gicas e energ\u00e9ticas agregadas. No entanto, esses ensembles<\/em> n\u00e3o foram projetados para representar fielmente a f\u00edsica associada a eventos extremos localizados e intensos.<\/p>\n\n\n\n Em uma edi\u00e7\u00e3o anterior do ER, foi mostrado que a representa\u00e7\u00e3o de eventos extremos de temperatura e vento com o suporte da IA pode ser compreendida de forma intuitiva (e simplificada) pela seguinte analogia: \u00e9 um processo semelhante ao uso de modelos de super-resolu\u00e7\u00e3o em imagens e v\u00eddeos. Assim como algoritmos de IA aprendem a transformar um filme de baixa resolu\u00e7\u00e3o em uma sequ\u00eancia de “fotografias” mais n\u00edtidas e detalhadas, preservando a coer\u00eancia espacial e temporal, modelos treinados nas sa\u00eddas de modelos clim\u00e1ticos podem aprender a refinar grades de temperatura e vento, convertendo campos atmosf\u00e9ricos de baixa resolu\u00e7\u00e3o em representa\u00e7\u00f5es mais detalhadas. Como essas vari\u00e1veis s\u00e3o estados resolvidos dinamicamente pelas equa\u00e7\u00f5es fundamentais da atmosfera, o processo de “escalamento” tende a preservar estruturas f\u00edsicas coerentes, permitindo a reprodu\u00e7\u00e3o mais fiel dos extremos locais.<\/p>\n\n\n\n Por exemplo, essa “resolu\u00e7\u00e3o” espacial aumentada est\u00e1 sendo utilizada para modelar rajadas de vento capazes de derrubar torres de transmiss\u00e3o, em um projeto de P&D em andamento.<\/p>\n\n\n\n No entanto, a modelagem de precipita\u00e7\u00e3o extrema requer cuidados adicionais. A raz\u00e3o \u00e9 que, nos GCMs, a precipita\u00e7\u00e3o n\u00e3o \u00e9 uma vari\u00e1vel resolvida diretamente pelas equa\u00e7\u00f5es f\u00edsicas prim\u00e1rias, mas um produto derivado de m\u00faltiplas parametriza\u00e7\u00f5es. Isso muda a natureza do problema, pois o simples refinamento espacial do campo de chuva n\u00e3o garante a reconstru\u00e7\u00e3o consistente dos mecanismos f\u00edsicos associados a eventos extremos, exigindo uma abordagem conceitualmente diferente.<\/p>\n\n\n\n Assim, em vez de tomar a chuva simulada por modelos globais como vari\u00e1vel explicativa central, podemos utilizar uma abordagem que desloca o foco para os sinais atmosf\u00e9ricos que precedem e sustentam os extremos. O monitoramento \u00e9 agora condicionado por vari\u00e1veis com maior previsibilidade sin\u00f3tica e maior estabilidade estrutural, como o conte\u00fado total de vapor na coluna atmosf\u00e9rica, o movimento vertical nos n\u00edveis m\u00e9dios da troposfera, a umidade relativa em diferentes n\u00edveis de press\u00e3o e os ventos n\u00e3o apenas na superf\u00edcie, mas tamb\u00e9m em n\u00edveis atmosf\u00e9ricos espec\u00edficos. Em conjunto, esses campos representam a disponibilidade de umidade, o for\u00e7amento vertical din\u00e2mico e o transporte organizado de vapor \u2014 tr\u00eas pilares f\u00edsicos fundamentais para a ocorr\u00eancia de precipita\u00e7\u00e3o extrema.<\/p>\n\n\n\n A figura a seguir apresenta algumas das principais vari\u00e1veis projetadas pelos modelos de circula\u00e7\u00e3o global que ajudam a explicar eventos extremos de precipita\u00e7\u00e3o, bem como o grau de previsibilidade de cada uma.<\/p>\n\n\n\n PWAT: Conte\u00fado total de vapor d’\u00e1gua na coluna atmosf\u00e9rica. Melhor indicador do potencial m\u00e1ximo de precipita\u00e7\u00e3o. A partir desse conjunto de condicionantes fisicamente embasados, podemos aplicar uma arquitetura de Autoencoders Variacionais Condicionais (CVAEs) \u2014 a terceira camada da DNN do PSRCast<\/strong>, conforme a figura anterior \u2014 treinando-os para gerar cen\u00e1rios consistentes de precipita\u00e7\u00e3o extrema em pontos de interesse espec\u00edficos, preservando tanto a coer\u00eancia f\u00edsica quanto a variabilidade estat\u00edstica observada. Com rela\u00e7\u00e3o \u00e0 representa\u00e7\u00e3o estat\u00edstica, a estrutura do CVAE deve ser adaptada para refletir de forma mais adequada a natureza assim\u00e9trica e intermitente da precipita\u00e7\u00e3o extrema.\u00b9<\/p>\n\n\n\n Essa estrat\u00e9gia permite separar dois n\u00edveis de incerteza: (i) a incerteza associada ao estado atmosf\u00e9rico de larga escala, proveniente dos ensembles<\/em> dos modelos globais; e (ii) a incerteza associada aos processos “subgrade” e \u00e0 variabilidade local, capturada pelo componente probabil\u00edstico do modelo de IA.<\/p>\n\n\n\n Essa abordagem \u00e9 particularmente consistente com os fundamentos da teoria de extremos, pois reconhece a natureza altamente assim\u00e9trica, de caudas pesadas e dependente das condi\u00e7\u00f5es meteorol\u00f3gicas que caracteriza os eventos de precipita\u00e7\u00e3o intensa.<\/p>\n\n\n\n A figura a seguir apresenta um exemplo real ilustrativo no qual o modelo foi calibrado para gerar cen\u00e1rios de precipita\u00e7\u00e3o consistentes em uma barragem no sul do pa\u00eds.<\/p>\n\n\n\n A partir de diferentes condi\u00e7\u00f5es atmosf\u00e9ricas projetadas, \u00e9 poss\u00edvel produzir um conjunto massivo de sequ\u00eancias di\u00e1rias de precipita\u00e7\u00e3o, permitindo a constru\u00e7\u00e3o de distribui\u00e7\u00f5es de risco prospectivas. Esses cen\u00e1rios podem ser avaliados e comparados com refer\u00eancias hist\u00f3ricas e par\u00e2metros de projeto, tornando poss\u00edvel identificar, por exemplo, se h\u00e1 ind\u00edcios de aumento na probabilidade de ocorr\u00eancia de eventos extremos nas condi\u00e7\u00f5es meteorol\u00f3gicas atuais ou se os tempos de retorno associados \u00e0s precipita\u00e7\u00f5es cr\u00edticas consideradas no projeto da barragem permanecem adequadamente cobertos.<\/p>\n\n\n\n A retirada de \u00e1gua para irriga\u00e7\u00e3o \u00e9 uma informa\u00e7\u00e3o muito relevante para a opera\u00e7\u00e3o do sistema hidroel\u00e9trico. Em um artigo para a Elera, a PSR<\/strong> desenvolveu uma metodologia baseada em IA e informa\u00e7\u00f5es de espectros eletromagn\u00e9ticos do solo, medidos por sat\u00e9lites, para estimar de forma precisa e autom\u00e1tica essa remo\u00e7\u00e3o. O procedimento est\u00e1 resumido na figura a seguir.<\/p>\n\n\n\n De forma simplificada, as informa\u00e7\u00f5es espectrais permitem identificar cada tipo de cultura. Essa identifica\u00e7\u00e3o, por sua vez, possibilita calcular a necessidade h\u00eddrica. A etapa final \u00e9 estimar a necessidade de irriga\u00e7\u00e3o pela diferen\u00e7a entre a precipita\u00e7\u00e3o (produzida pelo PSRCast<\/strong>) e a demanda de \u00e1gua. Os resultados se mostraram bastante precisos, e atualmente estamos incluindo o efeito da evapora\u00e7\u00e3o de reservat\u00f3rios na estimativa e refinando as medi\u00e7\u00f5es para intervalos mais curtos. Esta informa\u00e7\u00e3o \u00e9 de grande import\u00e2ncia para uma melhor gest\u00e3o do chamado nexo \u00e1gua-energia-alimento na regi\u00e3o Nordeste.<\/p>\n\n\n\n Assim como no caso do PSRCast, visto anteriormente, o mesmo framework de IA pode ser utilizado para diferentes aplica\u00e7\u00f5es. Como mostra a figura a seguir, uma an\u00e1lise espectral an\u00e1loga foi utilizada para determinar o dano real \u00e0s lavouras de cana-de-a\u00e7\u00facar que foram queimadas em 2025. O modelo identificou corretamente as \u00e1reas onde a cana foi “chamuscada” e onde foi queimada. Isso, por sua vez, permitiu uma melhor estimativa do impacto nos pre\u00e7os do a\u00e7\u00facar e do etanol.<\/p>\n\n\n\n As aplica\u00e7\u00f5es da IA \u00e0 modelagem clim\u00e1tica permitiram um ganho significativo de qualidade e resolu\u00e7\u00e3o na an\u00e1lise das distribui\u00e7\u00f5es de probabilidade de eventos afetados pelas mudan\u00e7as clim\u00e1ticas. Como demonstrado, essas aplica\u00e7\u00f5es se estendem al\u00e9m da \u00e1rea energ\u00e9tica.<\/p>\n\n\n\n As t\u00e9cnicas de IA tamb\u00e9m demonstraram permitir a representa\u00e7\u00e3o de eventos extremos, como inunda\u00e7\u00f5es e rajadas de vento. A modelagem desses eventos requer cuidados adicionais, mas os resultados s\u00e3o igualmente significativos em muitas \u00e1reas.<\/p>\n\n\n\n A terceira \u00e1rea \u00e9 a combina\u00e7\u00e3o da IA com informa\u00e7\u00f5es de sat\u00e9lites. A amplitude dos resultados foi demonstrada novamente, e sua relev\u00e2ncia s\u00f3 aumentar\u00e1 no futuro com o crescimento das medi\u00e7\u00f5es por sat\u00e9lite.<\/p>\n\n\n\n \u00b9Em vez de assumir uma parametriza\u00e7\u00e3o gaussiana tradicional, na qual o espa\u00e7o latente converge para uma distribui\u00e7\u00e3o normal, propomos uma formula\u00e7\u00e3o mais sofisticada, na qual o processo generativo incorpora uma combina\u00e7\u00e3o de Bernoulli-Gama. Nessa configura\u00e7\u00e3o, o componente de Bernoulli modela explicitamente a probabilidade de o evento ocorrer (chuva versus aus\u00eancia de chuva), enquanto o componente Gama representa a distribui\u00e7\u00e3o das intensidades condicionada \u00e0 ocorr\u00eancia. Vari\u00e1veis atmosf\u00e9ricas condicionantes modulam simultaneamente esses dois mecanismos: alteram tanto a probabilidade de ativa\u00e7\u00e3o do evento quanto os par\u00e2metros que governam sua magnitude.<\/p>\n","protected":false},"featured_media":1014467,"template":"","meta":{"_acf_changed":false},"report_section":[482],"class_list":["post-1014103","analytics_post","type-analytics_post","status-publish","has-post-thumbnail","hentry","report_section-insight"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image.png\")
<\/figure>\n\n\n\nAplica\u00e7\u00f5es do PSRCast<\/h2>\n\n\n\n
\n
Seguro agr\u00edcola<\/h2>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-1.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-2.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-3-1024x378.png\")
<\/figure>\n\n\n\nRisco de chuvas extremas<\/h2>\n\n\n\n
IA para extremos: igual, mas diferente<\/h3>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-4.png\")
<\/figure>\n\n\n\nA proje\u00e7\u00e3o de longo prazo da precipita\u00e7\u00e3o n\u00e3o \u00e9 a melhor vari\u00e1vel explicativa para a precipita\u00e7\u00e3o extrema real.<\/h3>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-5.png\")
<\/figure>\n\n\n\n
u850\/v850: Componentes zonal e meridional do vento em 850 hPa. Representam o transporte organizado de umidade nos baixos n\u00edveis.
w500: Velocidade vertical do ar em 500 hPa. Indicador robusto do for\u00e7amento din\u00e2mico profundo associado a sistemas organizados.
RH850: Umidade relativa em 850 hPa. Controla o fornecimento de umidade, mas j\u00e1 sofre influ\u00eancia local.
w700: Velocidade vertical do ar em 700 hPa. \u00datil para capturar a intensifica\u00e7\u00e3o convectiva, por\u00e9m mais sens\u00edvel ao ru\u00eddo de subgrade.
RH700: Umidade relativa em 700 hPa. Informa\u00e7\u00e3o complementar; maior variabilidade e menor robustez isolada.
Pr: Previs\u00e3o de precipita\u00e7\u00e3o do modelo global. Resultado de parametriza\u00e7\u00f5es; maior vi\u00e9s estrutural e menor robustez para extremos espec\u00edficos.<\/p>\n\n\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-6.png\")
<\/figure>\n\n\n\nUso de DNNs e sat\u00e9lites para estimar a retirada de \u00e1gua para irriga\u00e7\u00e3o<\/h3>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-7.png\")
<\/figure>\n\n\n\nAplica\u00e7\u00f5es de impacto de inc\u00eandios<\/h3>\n\n\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-8.png\")
<\/figure>\n\n\n\nConclus\u00f5es<\/h2>\n\n\n\n
\n\n\n\n