Um dos grandes desafios das ciências climáticas é conciliar a dicotomia entre a escala planetária do sistema climático e a escala local, das cidades, vilas e bairros onde as pessoas habitam. Para simular o clima, precisamos considerar processos e interações na escala espacial do Planeta Terra. Por outro lado, precisamos entregar para a sociedade dados e previsões na escala dessas vilas, cidades e bairros, que sejam refinados o suficiente para apoiar ações, decisões e planejamentos para ampliar a resiliência climática da economia e das comunidades humanas e animais.

Figura 1: Animação de vento e temperatura no Rio de Janeiro simuladas pelo MIA-Climap com 30 metros de resolução espacial

Atualmente as informações meteorológicas de superfície vêm de estações meteorológicas ou de modelos atmosféricos. Ambos têm importantes limitações relacionadas à acurácia da informação estimada e a sua  caracterização espacial. Dados de estações meteorológicas fornecem as melhores estimativas da “verdade”, porém existem poucas estações no Brasil com dezenas de quilômetros de distância entre si. Já os produtos baseados em modelagem numérica têm baixa resolução espacial, geralmente dezenas de quilômetros, devido ao custo computacional da abordagem. Assim, esses modelos não conseguem fornecer dados na escala das cidades, vilas, bairros e fazendas. Portanto, apesar dos produtos de modelos fornecerem uma informação regional útil, eles apresentam erros significativos, particularmente em cidades ou em terrenos com topográficas complexas. 

Na MeteoIA, desenvolvemos o MIA-Climap, um módulo de Inteligência Artificial que aprende as relações entre a atmosfera de grande escala e a vegetação e topografia, que determinam o clima local. Através do cruzamento dessas informações, o MIA-Climap é capaz de simular o funcionamento do clima na superfície da Terra até a escala de ruas e casas. Para extrair informação local de bases de sensoriamento remoto, o MIA-Climap utiliza abordagens avançadas de visão computacional. Com essas características locais, para cada ponto na superfície, o módulo de IA simula as condições climáticas de superfície, emulando os dados que uma estação meteorológica naquele local apresentaria.

Figura 2: Ilustração da capacidade do MIA-Climap em gerar informações climáticas de alta resolução na Região Metropolitana de São Paulo.

As vantagens de um dado em escala local são inúmeras para os setores público e privado. No setor público, por exemplo, planejadores urbanos ou gestores de emergências podem utilizar dados e alertas que permitem diferenciar bairros dentro das cidades. No setor privado, incorporadoras podem escolher os melhores locais para seus empreendimentos, fazendeiros podem se prevenir e planejar suas lavouras e seguradoras podem avisar seus segurados sobre eventos extremos nas suas residências com mais acurácia que os modelos tradicionais de resolução grosseira. Por exemplo, com o MIA-climap é possível obter mapas de risco em alta-resolução no Brasil, tal como risco de geada, extremamente relevante para o planejamento da produção de café. 

Figura 3: Regiões com risco de geada na região produtora de café de Guaxupé, em Minas Gerais. O MIA-Climap simulou as temperaturas mínimas a cada 30 metros.

Explore as vantagens da inovação climática com o MIA-Climap da MeteoIA. Descubra como nossos dados climáticos de alta resolução, desde a escala global até a local, estão transformando a forma como entendemos e lidamos com o clima.

Se você é urbanista, agricultor, gestor de emergências ou tomador de decisões, o MIA-Climap oferece informações precisas para apoiar suas escolhas. Entre em contato com nosso time de produtos (product@meteoia.com) para conhecer mais sobre como estamos aprimorando a previsão meteorológica e tenha acesso a previsões de longo prazo para o seu planejamento estratégico. 

Junte-se a nós na jornada para uma abordagem mais precisa e adaptável diante dos desafios climáticos. Conheça o MIA-Climap e sua contribuição para um entendimento mais aprofundado do clima em sua região.