Por que a previsão do tempo erra? Modelos meteorológicos explicados

"Disseram que ia chover e fez sol o dia inteiro." A frase é universal, mas esconde um mal-entendido sobre o que uma previsão é. Prever o tempo não é adivinhar: é resolver, com um supercomputador, as equações que descrevem um fluido caótico de 5 quatrilhões de toneladas envolvendo um planeta que gira. Este artigo explica por que isso funciona tão bem quanto funciona — e por que jamais será perfeito.

O ponto de partida: a atmosfera é um fluido caótico

Em 1963, o meteorologista Edward Lorenz rodava um modelo simplificado de circulação atmosférica e, para repetir uma simulação, digitou um valor arredondado: 0,506 em vez de 0,506127. A diferença, de meio milésimo, produziu um resultado completamente diferente semanas adiante. Nascia a descrição matemática do que ficaria conhecido como efeito borboleta.

A lição não é que o bater de asas de uma borboleta cause um furacão. É que sistemas como a atmosfera amplificam diferenças mínimas até que elas dominem o resultado. Como nunca conseguiremos medir o estado inicial da atmosfera com precisão infinita, existe um horizonte além do qual a previsão determinística deixa de ter valor — hoje estimado em cerca de duas semanas.

Como um modelo realmente funciona

Um modelo de previsão numérica divide a atmosfera em uma grade tridimensional. Cada célula recebe valores de temperatura, pressão, umidade e vento. O modelo então aplica as leis físicas — conservação de massa, momento e energia, mais termodinâmica — para calcular como cada célula influencia as vizinhas em um passo de tempo curto, tipicamente de alguns segundos a poucos minutos. Repetindo esse passo milhões de vezes, chega-se a dias de previsão.

Resolução: o tamanho da célula muda tudo

Os modelos globais mais avançados trabalham hoje com células de 9 a 13 km de lado. Parece fino, mas significa que qualquer fenômeno menor que isso não existe para o modelo: ele precisa ser estimado por aproximações estatísticas chamadas parametrizações.

É exatamente aí que mora boa parte do erro. Uma célula de tempestade típica tem 5 a 10 km de diâmetro; uma nuvem cumulus, algumas centenas de metros; a turbulência que forma a chuva, poucos metros. Nada disso é resolvido explicitamente por um modelo global. O modelo sabe que as condições favorecem tempestades naquela área, mas não pode dizer qual bairro será atingido às 15h20.

Modelos regionais de alta resolução (1 a 3 km) resolvem tempestades explicitamente e são muito melhores nesse detalhe — mas cobrem áreas limitadas e dependem de um modelo global para as condições de contorno.

Assimilação: montando o retrato inicial

Antes de rodar, o modelo precisa saber como a atmosfera está agora. Isso vem de milhões de observações por rodada: satélites, radiossondas, estações, boias, aviões comerciais e radares. O problema é que essas medições são desiguais — o hemisfério norte tem muito mais dados que o sul, e os oceanos dependem quase inteiramente de satélites.

A assimilação combina essas observações com a previsão anterior de curto prazo, ponderando cada fonte pela confiabilidade conhecida. O resultado é a análise, o melhor retrato possível do estado inicial. Erros na análise se propagam e crescem — de novo, o efeito borboleta.

ECMWF, GFS, ICON: por que existem vários modelos

Cada centro meteorológico opera seu próprio modelo, com escolhas diferentes de física, resolução e assimilação:

• ECMWF (IFS) — europeu, historicamente o mais preciso em escala global, especialmente entre 3 e 10 dias. Roda com resolução em torno de 9 km.
• GFS — norte-americano, gratuito e aberto, atualizado a cada 6 horas com resolução de 13 km. É a base de muitos serviços por ser livre.
• ICON — alemão, com grade icosaédrica e desempenho excelente na Europa e em regiões de relevo complexo.
• Modelos regionais — como o WRF, rodados por serviços nacionais em alta resolução para áreas específicas.

Quando dois sites mostram 24°C e 26°C para a mesma cidade, geralmente não há erro em nenhum: são modelos diferentes, ou pontos de grade diferentes, ou pós-processamentos diferentes. Serviços que combinam vários modelos (abordagem multimodelo) tendem a errar menos na média — a média de previsões independentes cancela parte dos erros individuais.

Ensembles: prever a incerteza junto com o tempo

Se pequenas diferenças iniciais mudam o resultado, por que não medir isso? É a ideia do ensemble: rodar o mesmo modelo 30, 50 ou mais vezes, cada uma com uma perturbação minúscula no estado inicial, e observar como as previsões se espalham.

Se todas as 51 rodadas mostram chuva na quinta-feira, a confiança é altíssima. Se 20 mostram chuva e 31 mostram sol, a atmosfera está num estado sensível e a previsão determinística vale pouco. É daí que sai, literalmente, a probabilidade de chuva que você lê no site: da fração dos membros do ensemble que produziram precipitação naquele ponto.

Ensembles também explicam por que a previsão de 10 dias muda tanto de um dia para o outro: naquele horizonte, o espalhamento é enorme e o valor mostrado é apenas a média de cenários muito diferentes.

Quão boa é a previsão hoje?

Melhor do que a percepção popular. Alguns marcos documentados:

• A previsão de 5 dias de hoje tem a mesma precisão que a de 3 dias tinha em 1995 — um ganho de aproximadamente um dia de antecedência por década.
• A previsão de 24 horas acerta a condição predominante em cerca de 90% dos casos.
• Trajetórias de furacões com 3 dias de antecedência têm hoje o erro que se tinha com 1 dia nos anos 1990.
• Temperatura máxima com 3 dias de antecedência erra tipicamente entre 1°C e 2°C.

O que continua difícil: horário exato de início da chuva, posição precisa de tempestades convectivas, nevoeiro, e qualquer fenômeno de escala menor que a grade.

O que mudou com a inteligência artificial

Desde 2023, modelos baseados em aprendizado de máquina passaram a competir de igual para igual com os modelos físicos tradicionais. Em vez de resolver equações passo a passo, eles são treinados em décadas de reanálises — bases que reconstroem o estado da atmosfera hora a hora no passado — e aprendem a mapear o estado atual no estado futuro.

O ganho mais evidente é o custo: uma previsão global de 10 dias que exige horas de supercomputador em um modelo físico sai em menos de um minuto em uma única placa gráfica. Isso viabiliza ensembles muito maiores, com centenas de membros, e portanto uma estimativa de incerteza melhor.

As limitações também são claras. Modelos de IA aprendem padrões do passado e podem se sair pior em eventos sem precedente no período de treinamento, justamente os mais importantes. Eles também não garantem conservação de massa e energia, e tendem a suavizar extremos. Por isso, a operação atual é híbrida: modelos físicos continuam sendo a espinha dorsal, e os de IA entram como complemento e acelerador.

Por que o relevo e a cidade atrapalham

A grade do modelo enxerga uma versão suavizada do terreno. Um vale estreito de 3 km entre montanhas de 1.500 metros simplesmente não existe em uma célula de 9 km — vira uma elevação média. Isso produz erros sistemáticos: o modelo subestima a inversão térmica no fundo do vale, erra a direção do vento canalizado e não reproduz a nebulosidade orográfica que se forma na encosta.

Nas cidades acontece algo análogo. A ilha de calor urbana pode deixar o centro de uma metrópole de 3°C a 6°C mais quente que a área rural vizinha à noite, e o modelo global raramente captura isso. Serviços melhores corrigem esse viés estatisticamente, comparando previsões passadas com observações locais, mas a correção é aproximada.

Litorais são um terceiro caso: a brisa marítima entra em uma faixa de poucos quilômetros e derruba a temperatura em pouco tempo. Se o ponto de grade cair sobre a água, a previsão puxa para o comportamento marítimo; se cair sobre o continente, superestima o calor. Diferenças grandes entre dois serviços em cidades costeiras costumam ter essa origem.

Quanto tempo dura uma rodada

Os grandes centros rodam seus modelos globais quatro vezes por dia, nos horários sinóticos de 00, 06, 12 e 18 UTC. Entre o corte da coleta de observações e a publicação dos campos previstos passam de 3 a 5 horas de processamento em máquinas com dezenas de milhares de núcleos. Isso significa que a previsão que você vê às 9h da manhã foi calculada a partir do estado da atmosfera de algumas horas antes — e que a rodada seguinte pode corrigi-la assim que sair.

Como avaliar se um serviço é bom

Alguns sinais práticos, sem precisar de estatística:

• Ele mostra probabilidade e volume? Serviços que só dizem "vai chover" escondem a informação mais útil.
• A previsão horária é coerente com a diária? Incoerências indicam pós-processamento malfeito.
• Os valores mudam quando novas rodadas saem? Um serviço que nunca muda provavelmente está mostrando dados desatualizados.
• Ele informa a fonte dos dados? Transparência sobre modelos e horário de atualização é um bom indicador de qualidade.

Cinco razões concretas para um "erro"

1. Escala. A pancada caiu 8 km ao lado. Para o modelo, foi acerto; para você, foi erro.
2. Timing. A chuva veio às 19h em vez das 16h. A condição estava certa, a hora não.
3. Interpretação. 30% de chance não é promessa de sol; em 3 de cada 10 dias assim, chove.
4. Relevo e microclima. Serra, litoral e ilhas de calor urbanas criam padrões que a grade não enxerga.
5. Dados escassos. Sobre oceanos e regiões remotas a análise inicial é mais frágil, e o erro cresce mais rápido.

O papel do radar e do nowcasting

Para as próximas duas horas, o modelo numérico não é a melhor ferramenta — o radar é. O nowcasting extrapola o deslocamento observado das células de chuva no radar e nas imagens de satélite, com atualização a cada 5 a 10 minutos.

É por isso que um aplicativo consegue avisar "chuva começa em 12 minutos" com boa precisão: ele não está prevendo, está rastreando o que já existe e se aproxima. A técnica perde valor rapidamente depois de 2 a 3 horas, quando células novas se formam e as antigas se dissipam. Combinar nowcasting para o curtíssimo prazo com modelo numérico para o resto do dia é a abordagem que dá o melhor resultado prático.

Por que a previsão de longo prazo é diferente

Previsões mensais e sazonais não tentam dizer se vai chover em uma terça-feira daqui a seis semanas — isso é impossível. Elas trabalham com anomalias: a probabilidade de o mês ficar acima ou abaixo da média histórica de chuva e temperatura. A base física é diferente: em vez do estado instantâneo da atmosfera, o que importa são condições de contorno lentas, como a temperatura da superfície do mar.

O exemplo mais conhecido é o El Niño–Oscilação Sul. O aquecimento anômalo do Pacífico equatorial reorganiza a circulação atmosférica global e altera padrões de chuva a milhares de quilômetros, com meses de antecedência. É por isso que uma previsão sazonal pode ter valor real mesmo quando a previsão diária daquele mesmo período não teria nenhum.

Verificação: como se mede o acerto

Serviços sérios medem o próprio desempenho de forma sistemática. Os índices mais usados são o erro médio absoluto para variáveis contínuas como temperatura, e escores como o Brier para previsões probabilísticas. Um conceito importante é a calibração: entre todos os dias em que a previsão disse 30% de chuva, deve ter chovido em aproximadamente 30% deles. Um serviço bem calibrado não é o que "acerta sempre" — é o que erra na proporção que anunciou.

Comparações independentes costumam confirmar a mesma hierarquia: modelos europeus levam vantagem no médio prazo, modelos regionais ganham em detalhe local, e combinações multimodelo superam qualquer modelo isolado na média. Nenhum deles, porém, escapa do limite imposto pelo caos.

Como usar a previsão sabendo disso

Algumas regras práticas que melhoram muito o proveito:

• Trate 0 a 48 horas como planejamento firme, 3 a 5 dias como planejamento flexível e além de 7 dias como tendência.
• Prefira a curva horária ao resumo do dia sempre que a decisão tiver hora marcada.
• Reconsulte antes de eventos importantes: cada nova rodada incorpora observações mais recentes.
• Se dois serviços discordam muito, isso é informação: a atmosfera está num estado de baixa previsibilidade.

Na prática, a previsão é uma das aplicações mais bem-sucedidas da computação científica — e entender seus limites é o que permite usá-la bem. Continue com o guia de leitura da previsão ou veja o guia de sensação térmica, UV e qualidade do ar. Para conferir agora, veja o clima em Porto Alegre ou o clima amanhã em Curitiba.