Prever o tempo para uma cidade inteira nem sempre é suficiente para quem precisa decidir a hora de irrigar uma lavoura, planejar uma rota de transporte ou avaliar o risco de alagamentos. Para tentar reduzir essa distância entre a previsão geral e as condições de cada local, a startup brasileira Cachola Tech desenvolveu o Astrus, uma plataforma de inteligência meteorológica que combina dados climáticos e inteligência artificial.
A proposta é ampliar a precisão das informações meteorológicas para empresas, produtores rurais e gestores públicos. Em vez de depender apenas de previsões abrangentes, a tecnologia busca oferecer dados mais próximos da realidade de áreas específicas, para as quais pequenas diferenças de temperatura, umidade e chuva podem influenciar decisões.
Criado pelo engenheiro Jardhel Cachola, fundador da empresa, o Astrus já permite consultar gratuitamente previsões pelo navegador. Basta pesquisar uma cidade ou usar a localização do dispositivo para acompanhar informações como temperatura, umidade e probabilidade de chuva.
A próxima etapa do projeto é ampliar o monitoramento por meio de uma rede própria de pequenas estações meteorológicas, chamadas MAJU. Com cerca de 10 centímetros e conexão Wi-Fi, os equipamentos foram projetados para coletar dados de temperatura, umidade, pressão atmosférica e chuva.
Segundo a empresa, a combinação dessas medições com informações meteorológicas públicas poderá ajudar a identificar diferenças entre microclimas e tornar os dados mais úteis para atividades que dependem das condições do tempo.
Como a previsão hiperlocal pode ajudar empresas
No agronegócio, informações mais específicas sobre o clima podem apoiar decisões sobre irrigação, pulverização e prevenção de eventos adversos. Conhecer as condições de diferentes áreas de uma propriedade pode ajudar o produtor a planejar melhor o uso de recursos e as atividades no campo.
A logística também está entre os setores que podem se beneficiar da tecnologia. Chuvas intensas e outras condições meteorológicas afetam rotas, prazos e custos de transporte. Com dados mais localizados, empresas podem ter informações adicionais para avaliar riscos e organizar operações.
Há ainda aplicações possíveis no mercado de seguros, que depende da avaliação de riscos climáticos, e na gestão pública, especialmente no acompanhamento de chuvas fortes e de regiões suscetíveis a alagamentos.
A ideia é que a previsão deixe de ser apenas uma informação genérica e passe a contribuir para decisões específicas. Uma condição meteorológica que não representa um problema para toda uma cidade, por exemplo, pode ter impacto relevante em uma lavoura ou em determinado trecho de uma rota.
A informação meteorológica tem impacto direto em decisões que envolvem produtividade, custos e gestão de riscos. Nosso objetivo é aproximar esses dados da realidade de cada local, para que possam ser mais úteis no planejamento das operações e na tomada de decisão Jardhel Cachola, fundador da startup Cachola Tech
Rede de sensores ainda está em expansão
A capacidade de monitoramento hiperlocal do Astrus depende da instalação das estações MAJU e da integração de diferentes fontes de informação. A empresa informa que essa camada da tecnologia ainda está em desenvolvimento e deverá avançar à medida que a cobertura de sensores crescer.
Neste estágio, a plataforma utiliza dados meteorológicos públicos. A proposta é complementar as informações disponíveis, não substituir os serviços de previsão e os alertas oficiais emitidos pelos órgãos competentes.
O funcionamento da solução depende da combinação entre equipamentos instalados em campo, programas de análise e dados climáticos. Uma estação permite observar as condições de um ponto específico; uma rede distribuída pode ampliar a visão sobre as diferenças meteorológicas de uma região.
“Uma previsão para uma cidade inteira não significa que as condições serão iguais em todos os bairros ou propriedades. Uma estação permite observar um ponto específico; uma rede distribuída pode ajudar a construir uma visão mais detalhada do território”, diz o fundador.