Para Peneliti USP Membangun Alat AI yang Memperkirakan Jalur dan Intensitas Badai 30 Menit Sebelumnya

Tim dari Institute of Astronomy, Geophysics and Atmospheric Sciences (IAG) Universitas São Paulo (USP) telah mengembangkan sistem kecerdasan buatan yang memperkirakan jalur dan intensitas badai hingga 30 menit sebelum tiba, menurut Jornal da USP dan Yayasan Penelitian São Paulo (FAPESP). Sistem ini, yang disebut TITAN-LSTM, memperbarui prakirannya setiap lima menit.

Alat ini dikembangkan oleh Andrea Salome Viteri López, seorang peneliti postdoktoral di IAG-USP, di bawah pengawasan profesor Carlos Augusto Morales Rodriguez. Pekerjaan ini didanai oleh FAPESP dan, menurut pelaporan USP, juga menerima dukungan dari Capes. Hasilnya dipublikasikan pada 1 Oktober 2026 di Journal of Geophysical Research: Machine Learning and Computation, di bawah DOI 10.1029/2026JH001337, menurut agensi berita FAPESP.

Cara kerja sistem

TITAN-LSTM menggabungkan dua teknologi yang ada. Yang pertama, TITAN, adalah algoritma open-source yang awalnya dikembangkan pada tahun 1990-an oleh U.S. National Center for Atmospheric Research untuk melacak badai menggunakan citra radar, menghitung area, intensitas, arah, dan kecepatan setiap badai. Yang kedua adalah jaringan neural Long Short-Term Memory (LSTM), sejenis model AI yang dirancang untuk mengenali pola dalam urutan data dari waktu ke waktu.

Daripada memasukkan citra radar mentah ke dalam jaringan neural, sistem mengubah pengukuran badai TITAN menjadi urutan numerik, yang kemudian digunakan model LSTM untuk memproyeksikan bagaimana area, arah, dan intensitas badai akan berkembang. Outlet berita ND+ melaporkan bahwa López menjelaskan tujuan proyek sebagai menghasilkan prakiraan curah hujan dalam horizon waktu yang sangat pendek.

Data pelatihan dan pengujian

Model dilatih dan diuji menggunakan data dari radar cuaca polarimetrik di bendungan Ponte Nova di Biritiba Mirim, di wilayah metropolitan São Paulo, dioperasikan oleh SP Águas (Daee-Spol), mencakup radius 120 kilometer antara 2016 dan 2019, menurut agensi berita FAPESP. Jornal da USP juga melaporkan lokasi radar dan periode data 2016-2019 yang sama.

Peneliti awalnya melacak lebih dari 32.000 badai dalam data radar tersebut. Setelah menerapkan kriteria seleksi — termasuk badai yang berlangsung setidaknya 20 menit dan tidak bergabung dengan yang lain — 439 peristiwa tetap ada. Dari jumlah tersebut, 307 digunakan untuk melatih jaringan neural dan 132 untuk mengujinya, menurut agensi FAPESP.

Akurasi yang dilaporkan

Menurut angka yang dilaporkan oleh agensi berita FAPESP, TITAN-LSTM berkinerja sekitar tiga kali lebih baik daripada metode TITAN mandiri dalam memprediksi area yang akan dicakup oleh hujan badai, menaikkan indeks akurasi dari kira-kira 0,2 menjadi sekitar 0,7 di menit-menit awal prakiraan. Sumber yang sama melaporkan pengurangan false alarm hampir 70% dan kesalahan intensitas curah hujan sekitar 3 mm per jam pada lima menit ke depan, meningkat menjadi 3-4 mm per jam pada tanda 30 menit.

Jornal da USP melaporkan bahwa model hibrida memiliki kinerja yang setara dengan pendekatan deep-learning yang lebih kompleks sambil memerlukan daya komputasi yang jauh lebih sedikit. ND+ melaporkan bahwa pelatihan model memakan waktu sekitar 20 menit di laptop standar, tanpa memerlukan superkomputer.

Penggunaan yang dimaksudkan

Menurut Jornal da USP dan agensi FAPESP, tujuannya adalah memberikan agensi pertahanan sipil lebih banyak waktu tunggu untuk memutuskan tindakan seperti menutup jalan atau mengevakuasi orang-orang dari area berisiko sebelum hujan terlebat badai tiba. Outlet juga melaporkan penggunaan potensial dalam memberi makan model hidrologi dan peringatan banjir, karena mengetahui intensitas curah hujan di hulu dapat membantu mengantisipasi kenaikan cepat level sungai di hilir.

Jornal da USP melaporkan bahwa tujuan yang lebih luas, seperti dijelaskan oleh para peneliti, adalah memberikan staf di pusat manajemen darurat kondisi yang lebih baik untuk membuat keputusan yang tepat selama acara cuaca parah.

Keterbatasan penelitian

Model dilatih dan diuji hanya pada data radar dari wilayah metropolitan São Paulo antara 2016 dan 2019, dan angka akurasi yang dilaporkan berlaku untuk dataset tersebut. Sumber yang ditinjau tidak melaporkan tanggal penerapan operasional, juga tidak apakah alat ini telah diadopsi oleh agensi pertahanan sipil mana pun.