Sistema de alerta de enchentes repentinas TACLS da NASA detecta a umidade antes da subida da água
A tecnologia de alerta de enchentes repentinas TACLS da NASA chegou a uma etapa decisiva após detectar 93 por cento dos alertas históricos em testes de simulação. O software monitora a umidade atmosférica por meio de sinais de satélites de navegação e, em seguida, sinaliza padrões associados a inundações perigosas. Sua promessa não é uma previsão perfeita. É uma forma mais rápida de os meteorologistas perceberem uma ameaça que as ferramentas convencionais podem revelar tarde demais.
Essa distinção foi importante em Lanesville, Indiana, em 9 de junho de 2026. Uma tempestade de deslocamento lento despejou entre seis e oito polegadas de chuva em cerca de três horas. A água invadiu casas e empresas, arrastou tanques de propano pela cidade e levou alguns moradores aos telhados. Laura Lin trabalhava em casa quando a água começou a se espalhar por sua propriedade.
O evento descrito na reportagem de campo original não foi um teste do TACLS. O sistema está sendo preparado para uso no sul da Califórnia, não na zona rural de Indiana. Ainda assim, Lanesville ilustra o problema operacional que o TACLS busca enfrentar: a água perigosa pode chegar enquanto as pessoas ainda acreditam estar diante de uma tempestade comum.
A disputa central envolve duas formas de enxergar uma ameaça de inundação. Os sistemas existentes frequentemente inferem o perigo a partir da chuva, do radar, do terreno e das condições hidrológicas. O TACLS acrescenta um sinal diferente, medindo como a umidade altera o tempo de viagem das ondas de rádio emitidas por satélites de navegação.
Essa perspectiva adicional parece valiosa, mas a detecção histórica não é o mesmo que um alerta antecipado. O software ainda precisa de validação regional, cobertura confiável de estações e interpretação cuidadosa por meteorologistas. Seu verdadeiro teste começa quando probabilidades experimentais precisam embasar decisões que afetam comunidades reais.
O que o sistema de alerta de enchentes repentinas TACLS da NASA mudou
O TACLS transforma uma rede de navegação existente em um sensor atmosférico quase em tempo real para meteorologistas.
O Transient Artifact and Continuous Learning System, ou TACLS, combina medições de sinais de satélite com aprendizado de máquina. O Jet Propulsion Laboratory da NASA, a University of California San Diego e o National Weather Service colaboraram no projeto.
Segundo o resumo do projeto TACLS da NASA, o sistema pode produzir orientações em apenas 15 minutos. Esse número descreve a latência de processamento e observação. Não deve ser confundido com 15 minutos garantidos de tempo de alerta público.
O software começa pelo Global Navigation Satellite System, ou GNSS. O termo abrange as constelações de satélites que fornecem serviços de posicionamento e sincronização, incluindo a rede GPS dos Estados Unidos.
Os sinais desses satélites desaceleram levemente ao atravessar a baixa atmosfera. O vapor d’água contribui para esse atraso. Assim, receptores em solo podem revelar mudanças na umidade atmosférica, embora a navegação continue sendo sua função principal.
O TACLS analisa essas medições em busca de aumentos incomuns de umidade. Seu modelo de aprendizado de máquina tenta distinguir um evento físico transitório de um artefato, isto é, uma característica falsa ou distorcida nos dados.
Um padrão suspeito é então encaminhado ao MGViz, uma interface de visualização geográfica usada por analistas humanos. Os meteorologistas examinam a área sinalizada junto de outras informações meteorológicas. Eles continuam responsáveis por decidir se as condições justificam um aviso ou alerta.
Esse papel humano é central para o projeto. O TACLS não envia alertas autônomos de evacuação, não controla sirenes locais nem substitui o processo de alertas do National Weather Service. Ele organiza mais uma fonte de evidências para meteorologistas treinados.
O projeto também conecta várias tecnologias que não foram originalmente desenvolvidas para prever enchentes. Seus componentes analíticos se baseiam em trabalhos anteriores do JPL sobre detecção de anomalias e previsão de séries temporais. A camada de visualização remonta parte de seu projeto a softwares geográficos desenvolvidos para missões planetárias.
O sistema resultante enfrenta um gargalo de informação. Os meteorologistas já recebem imagens de radar, orientações de modelos, estimativas de chuva, dados de rios, observações por satélite e relatos em solo. Durante eventos de rápida evolução, identificar a mudança mais importante pode se tornar tão difícil quanto obter os próprios dados.
O TACLS tenta restringir esse campo. Em vez de exigir que um analista examine cada medição de umidade, o modelo destaca padrões que merecem atenção. O valor está na priorização, não na eliminação do julgamento humano.
A NASA também afirma que o software e seus dados de treinamento serão lançados como código aberto. Se isso ocorrer, pesquisadores poderão inspecionar o modelo, testá-lo em novas regiões e adaptá-lo a diferentes regimes meteorológicos.
Código aberto não tornaria a implementação automática. Equipes locais ainda precisariam de observações compatíveis, conhecimento técnico e validação em relação ao comportamento regional das enchentes. No entanto, o acesso público tornaria testes independentes mais práticos do que permitiria um sistema fechado de previsão.
Isso muda a discussão sobre alertas de enchentes repentinas de uma forma importante. A infraestrutura de navegação pode funcionar como uma rede de observação meteorológica sem o lançamento de uma nova constelação de satélites. A questão imediata é se esse sinal adicional chega aos meteorologistas cedo o bastante para influenciar uma decisão real.
Lanesville mostra o que os alertas atuais deixam passar
Lanesville demonstra por que um alerta tecnicamente correto ainda pode chegar dentro de uma janela extremamente estreita para agir.
A manhã começou com um sistema convectivo de mesoescala atravessando Kentucky. Esses sistemas são grupos organizados de tempestades que podem produzir chuvas intensas em uma área ampla.
Essa primeira rodada deixou acumulados generalizados entre uma e 1,5 polegada. Alguns locais receberam entre quatro e cinco polegadas. Uma segunda faixa então atravessou de Evansville até a área de Louisville e acrescentou mais uma a três polegadas.
Lanesville registrou o maior total informado. O registro oficial da enchente em Lanesville situa a chuva entre seis e oito polegadas durante o evento.
O National Weather Service emitiu vários alertas de enchentes repentinas. Ainda assim, a transição física de chuva forte para inundação perigosa ocorreu rapidamente o suficiente para deixar pessoas presas em casas e empresas.
A cobertura local descreveu fios elétricos energizados na água da inundação e tanques de propano soltos se movendo pela cidade. Em um banco, pessoas subiram sobre mesas enquanto aguardavam equipes de resgate. Outros moradores buscaram segurança nos telhados.
Esses detalhes expõem a diferença entre emitir um alerta e criar tempo útil de resposta. Um alerta pode ser meteorologicamente justificado e ainda assim alcançar as pessoas depois que as estradas se tornaram perigosas. Atrasos na distribuição, dados de localização incertos e a hesitação humana reduzem ainda mais a janela útil.
Enchentes repentinas são especialmente difíceis porque a chuva é apenas parte do mecanismo. Condições do solo, drenagem, geometria dos córregos, pavimentação, encostas íngremes e precipitações anteriores determinam a rapidez com que a água se acumula. Duas comunidades que recebem chuvas semelhantes podem enfrentar consequências muito diferentes.
O radar ajuda a estimar a chuva em áreas amplas, mas não mede diretamente cada impacto local. Pluviômetros fornecem observações diretas em pontos específicos, mas lacunas podem deixar pequenas bacias hidrográficas mal representadas. Modelos hidrológicos acrescentam contexto, embora sua produção dependa da qualidade dos dados e de suposições.
O atual sistema de previsão FLASH do National Severe Storms Laboratory enfrenta esse problema com observações de chuva de alta resolução e simulações hidrológicas. Ele pode produzir orientações sobre enchentes com resolução de um quilômetro a cada 10 minutos.
O TACLS não torna esse sistema obsoleto. Ele acrescenta informações sobre a umidade atmosférica antes que toda essa umidade tenha necessariamente caído como chuva. Esse ponto mais inicial na cadeia é a razão pela qual pesquisadores veem valor potencial.
No entanto, Lanesville também revela uma limitação geográfica. A pesquisa do TACLS concentrou-se na Califórnia e utiliza a densa rede de estações GNSS disponível ali. Ela não antecipou a enchente em Indiana, e os resultados publicados não estabelecem desempenho equivalente no sul de Indiana.
Levar o sistema para o leste exigiria mais do que instalar o mesmo software. Tempestades convectivas, comportamento das bacias hidrográficas, espaçamento entre estações e exemplos de treinamento diferem entre as regiões. Um modelo moldado por rios atmosféricos da Califórnia pode responder de maneira diferente a um complexo compacto de tempestades no Centro-Oeste.
O caso de Lanesville é, portanto, um exemplo motivador, não uma prova de desempenho. Ele ilustra o tipo de surpresa que um melhor monitoramento de umidade poderia reduzir. Não demonstra que o TACLS teria previsto a enchente mais cedo.
Essa distinção importa para a confiança pública. A tecnologia meteorológica frequentemente recebe atenção em meio a desastres dramáticos, quando o desejo por uma solução é mais forte. Uma avaliação responsável pergunta se o novo sinal melhora uma decisão operacional específica em condições comparáveis.
Para Lanesville, as perguntas relevantes são concretas. O modelo teria identificado o aumento de umidade antes de o radar e os produtos de chuva mostrarem o mesmo perigo? Essa indicação teria reduzido a área ameaçada? Um meteorologista teria alterado o horário ou a redação do alerta?
Até que testes comparáveis respondam a essas perguntas, a enchente em Indiana continua sendo um alerta sobre o problema. Não é um estudo de caso bem-sucedido do TACLS.
Satélites GPS se tornam sensores atmosféricos
O mecanismo central funciona porque a atmosfera deixa uma marca mensurável nos sinais que já chegam a centenas de estações em solo.
Receptores GNSS calculam a posição comparando sinais de rádio cronometrados com precisão, enviados por múltiplos satélites. Esses sinais não viajam através de um espaço vazio entre a órbita e o receptor.
A troposfera contém gases secos e vapor d’água altamente variável. Ambos afetam o tempo de viagem do sinal. Pesquisadores podem separar um componente seco estimado do atraso total para derivar um atraso úmido aproximado.
Esse componente úmido atua como um indicador indireto da umidade atmosférica. Diferenças horizontais de atraso também indicam como o vapor d’água varia ao redor de uma estação. Juntas, essas medições podem revelar uma onda de umidade movendo-se em direção ao continente.
O sistema usa observações em intervalos de cinco minutos. Essa frequência oferece ao modelo uma imagem em mudança da umidade, em vez de um retrato atmosférico ocasional.
O modelo GNSS de enchentes subjacente usa uma rede de memória de longo e curto prazo multitarefa. Uma LSTM é uma arquitetura de rede neural projetada para reconhecer padrões em sequências de observações.
Uma tarefa acompanha o desenvolvimento e o movimento de eventos meteorológicos extremos. Uma segunda tarefa estima o momento e o local dos alertas de enchentes repentinas. O compartilhamento de informações entre essas tarefas ajuda a conectar condições atmosféricas em evolução com padrões posteriores de alerta.
Os pesquisadores combinaram medições GNSS com catálogos de rios atmosféricos, registros de precipitação e polígonos históricos de alertas. O período de treinamento abrangeu dados de 2004 a 2016, com anos selecionados reservados para a calibração do modelo.
Testes independentes abrangeram o período de 2017 a 2023. A avaliação incluiu rios atmosféricos, condições de monção de verão e os remanescentes da tempestade tropical Hilary.
Esse projeto aborda uma lacuna conhecida de observação. Modelos meteorológicos conseguem prever a chegada de grandes plumas de umidade, mas sua precisão frequentemente diminui perto da chegada à costa. As tempestades interagem com o litoral e o relevo de maneiras que podem alterar o momento e o local das chuvas.
Balões meteorológicos fornecem medições verticais detalhadas, mas os lançamentos são limitados no espaço e no tempo. Instrumentos de satélite observam áreas amplas, embora algumas medições de umidade se tornem menos confiáveis sobre terra firme ou terrenos complexos.
Redes densas de GNSS em solo operam continuamente. Elas não fornecem um perfil vertical completo da atmosfera, mas podem acompanhar mudanças regionais rápidas na umidade total.
Isso torna o TACLS complementar por definição. O radar observa partículas de precipitação e a estrutura das tempestades. Modelos numéricos projetam o comportamento atmosférico futuro. As medições de atraso do GNSS acrescentam evidências diretas sobre a umidade sobre a terra.
A abordagem também utiliza infraestrutura com outra finalidade principal. Muitas estações GNSS foram instaladas para estudar o movimento da crosta terrestre, terremotos ou geodésia. Seu valor atmosférico surge do processamento de uma característica que os sistemas de navegação normalmente tratam como erro.
Essa reutilização pode melhorar a escalabilidade, mas apenas onde a densidade de estações for suficiente. Um modelo não consegue inferir padrões locais detalhados a partir de receptores que não existem ou que reportam dados com lentidão excessiva.
A continuidade dos dados é igualmente importante. Falhas de comunicação durante eventos meteorológicos severos podem criar lacunas no pior momento. As práticas de manutenção e os padrões de processamento podem variar entre os operadores das estações.
O modelo também precisa interpretar a umidade sem confundir cada aumento repentino com uma inundação. Alto teor de água na atmosfera pode ocorrer sem gerar escoamento destrutivo. Os resultados das inundações dependem de chover, de onde chove e de como o solo responde.
O TACLS aborda parte dessa ambiguidade ao aprender com alertas anteriores e múltiplos tipos de eventos meteorológicos. A revisão humana oferece outra salvaguarda. Nenhuma das duas etapas elimina falsos alarmes ou eventos não detectados.
O mecanismo é plausível porque a física subjacente está bem estabelecida. O vapor d’água de fato atrasa os sinais de GNSS. A questão ainda em aberto é a consistência com que essas medições melhoram as decisões de alerta em locais diversos.
O Resultado de 93% Precisa de Contexto
Capturar 93% dos alertas anteriores é encorajador, mas não mede todos os requisitos de um sistema confiável de alerta público.
A NASA informa que o TACLS capturou 93% dos alertas de inundação repentina emitidos durante testes de simulação. A avaliação da pesquisa abrangeu 145 eventos meteorológicos extremos entre 2017 e 2023.
Esses eventos incluíram 90 rios atmosféricos e 55 outras tempestades. O grupo mais amplo incluiu convecção de monção e um remanescente de ciclone tropical. Essa variedade reduz o risco de que o modelo tenha aprendido apenas um padrão de tempestade.
A pesquisa também testou o desempenho fora da área de treinamento no sul da Califórnia. No norte da Califórnia, o modelo teria capturado 95% dos eventos de alerta e alcançado uma pontuação média de interseção sobre união de 0,71.
A interseção sobre união mede o quanto as áreas geográficas previstas e observadas se sobrepõem. Uma pontuação perfeita seria um. O resultado informado sugere concordância espacial significativa, mas não correspondência exata de limites.
Os pesquisadores relataram pontuações de área sob a curva ROC de 0,89 para o acompanhamento de eventos meteorológicos extremos e de 0,81 para a previsão de inundações repentinas. Essas métricas medem quão bem um modelo separa casos positivos de negativos em diferentes limiares de decisão.
Nenhum desses números informa diretamente a um morador quanto tempo de antecedência ele receberia. O artigo descreve orientações com latência de 15 a 30 minutos, o que significa que as observações levam tempo para se transformar em resultado do modelo.
Latência não é tempo de antecedência. Um modelo pode detectar um sinal 30 minutos após a observação e ainda assim anteceder uma inundação. Também pode produzir uma indicação depois que outro sistema já revelou o perigo.
O número de 93% também usa alertas emitidos como referência. Alertas são decisões operacionais, não um registro completo de todos os locais inundados. Um sistema treinado com base neles pode herdar inconsistências nas práticas de alerta e na documentação histórica.
Uma avaliação útil precisa examinar falsos alarmes com o mesmo cuidado dedicado às detecções bem-sucedidas. Alertas falsos demais podem sobrecarregar os meteorologistas e enfraquecer a resposta pública. Uma alta taxa de detecção, por si só, não revela esse custo.
A seleção de eventos também importa. O conjunto de testes publicado abrange grandes padrões meteorológicos da Califórnia, mas continua limitado em comparação com a variedade de tempestades nos Estados Unidos. Cicatrizes de queimadas em áreas áridas, sistemas de drenagem urbanos, cânions montanhosos e chuvas tropicais criam, cada um, riscos distintos.
As condições climáticas também podem alterar a relação entre dados passados e eventos futuros. Um modelo treinado até 2016 pode encontrar padrões de umidade ou intensidades de chuva fora de sua experiência anterior.
Fatores humanos acrescentam outra camada. Uma visualização de probabilidades precisa se encaixar nos fluxos de trabalho de previsão existentes sem criar distrações. Os meteorologistas precisam entender por que uma região foi sinalizada e quanta confiança devem atribuir ao sinal.
Segundo a NASA, o National Weather Service está trabalhando para incorporar o TACLS aos sistemas existentes no sul da Califórnia. Essa integração operacional é mais consequente do que outra porcentagem retrospectiva.
Testes ao vivo podem revelar se a ferramenta chega no momento certo, se os analistas a consultam e se sua saída altera decisões. Também podem expor falhas ocultas por um conjunto de dados históricos selecionado.
Não há evidências de que o TACLS tenha previsto autonomamente a inundação de Lanesville. Também não há uma avaliação nacional publicada que demonstre resultados comparáveis em convecção do Meio-Oeste, chuvas da Costa do Golfo ou terrenos dos Apalaches.
Esses limites não invalidam a pesquisa. Eles definem o que a pesquisa estabeleceu. O TACLS demonstrou uma relação promissora entre mudanças na umidade medida por GNSS e alertas históricos de inundação repentina na Califórnia.
A próxima alegação exige evidências mais robustas. O sistema precisa demonstrar que acrescenta informações oportunas e acionáveis além das ferramentas que os meteorologistas já utilizam.
O TACLS Complementa o Radar, Não o Substitui
A disputa prática não é TACLS contra radar, mas uma previsão combinada contra as lacunas deixadas por qualquer sistema isolado de observação.
O radar continua essencial porque mostra onde a precipitação está se desenvolvendo e como as tempestades se movem. Pluviômetros ancoram essas estimativas com medições no nível do solo. Modelos hidrológicos traduzem a chuva em possível escoamento e resposta dos cursos d’água.
A previsão numérica do tempo olha mais adiante. Ela estima como as condições atmosféricas irão evoluir, embora pequenos erros no posicionamento de tempestades possam produzir grandes diferenças na chuva local.
O TACLS se posiciona entre a previsão e o impacto. Ele observa a umidade já presente sobre a terra e então pergunta se seu padrão se assemelha a condições associadas a eventos meteorológicos extremos e alertas anteriores.
Essa posição cria uma sobreposição útil. Um aumento de umidade detectado por GNSS pode elevar a preocupação antes de o radar indicar as chuvas mais intensas. O radar pode então confirmar onde a precipitação se forma. Ferramentas hidrológicas podem identificar quais bacias enfrentam o maior risco de escoamento.
A sequência pode dar aos meteorologistas mais confiança diante de uma ameaça em escalada. Também pode fornecer uma verificação independente quando as orientações dos modelos e as observações de radar divergem.
No entanto, sistemas sobrepostos às vezes produzem respostas conflitantes. Uma anomalia de umidade pode aparecer enquanto a chuva permanece no oceano ou não consegue se organizar. O radar pode mostrar chuva intensa em uma área com cobertura GNSS esparsa.
Os meteorologistas precisam de orientações claras para resolver esses conflitos. Uma probabilidade sem contexto pode criar mais uma tela para monitorar, em vez de uma decisão melhor.
Por isso, a camada de visualização importa tanto quanto o modelo de aprendizado de máquina. Os analistas precisam ver onde o sinal se originou, como mudou e como se compara a outras observações.
A confiança também depende da transparência sobre erros. Os meteorologistas devem poder revisar alertas não detectados e falsos positivos por tipo de tempestade, geografia e cobertura de estações. Um único número nacional de desempenho ocultaria essas diferenças.
A publicação em código aberto poderia apoiar esse escrutínio. Universidades e órgãos meteorológicos poderiam reproduzir a análise ou testar limiares alternativos do modelo. Especialistas locais poderiam examinar se os mesmos recursos funcionam em seu terreno.
Ainda assim, software aberto não pode resolver restrições institucionais. Sistemas meteorológicos operacionais exigem revisões de segurança, computação confiável, treinamento de equipe, documentação e suporte contínuo. Ferramentas experimentais precisam permanecer disponíveis nas piores condições, não apenas durante demonstrações.
A comunicação pública apresenta outra restrição. Mesmo uma previsão melhor não garante que os moradores recebam ou ajam diante de um alerta. Cobertura móvel, acesso linguístico, necessidades de acessibilidade e fadiga de alertas influenciam os resultados.
A inundação de Lanesville ressalta essa lacuna final. Pessoas trabalhando em ambientes fechados podem não perceber a água subindo até que as rotas de fuga tenham mudado. Outras podem receber um alerta, mas esperar confirmação visível antes de se mover.
Melhores medições atmosféricas podem criar mais tempo, mas os sistemas de emergência precisam transformar esse tempo em ação local clara. A linguagem do alerta deve informar o local, a gravidade e a medida de proteção sem exagerar a certeza.
O TACLS deve, portanto, ser avaliado como um componente de uma cadeia. Sua saída precisa chegar a um meteorologista, informar uma decisão, entrar em um alerta, alcançar o público e motivar uma ação.
Uma falha em qualquer elo pode apagar o benefício da detecção antecipada. O sucesso exige mais do que uma pontuação precisa de modelo.
A versão futura mais robusta da tecnologia não disputaria autoridade exclusiva. Ela forneceria evidências independentes que se tornam mais valiosas quando outras ferramentas permanecem ambíguas.
Três Sinais Decidirão se o TACLS Funciona
Desempenho operacional, expansão regional e comunicação transparente de erros determinarão se o TACLS se tornará infraestrutura rotineira ou continuará sendo um experimento impressionante.
O primeiro sinal é o uso ao vivo por meteorologistas do National Weather Service no sul da Califórnia. Os pesquisadores já testaram eventos arquivados. A próxima evidência significativa precisa vir de tempestades reais e cronogramas reais de decisão.
Observadores devem procurar casos documentados nos quais o TACLS tenha alertado meteorologistas antes de produtos existentes estabelecerem a mesma ameaça. Se esses casos aparecerem repetidamente, a alegação central do sistema se fortalece.
As evidências devem incluir situações em que o software não ajudou. Um histórico operacional justo precisa mostrar sinais tardios, eventos não detectados e alertas que nunca evoluíram para inundações perigosas.
O segundo sinal é a validação fora da Califórnia. O sul da Califórnia oferece uma rede GNSS densa e padrões meteorológicos representados nos dados de treinamento. Outras regiões apresentam diferentes densidades de observação e comportamentos de tempestades.
Uma expansão crível deve começar com retreinamento regional e testes retrospectivos. Sistemas convectivos do Meio-Oeste representariam um desafio especialmente importante porque suas chuvas podem se intensificar e se localizar rapidamente.
Os pesquisadores devem evitar tratar a disponibilidade nacional como uma simples implementação de software. Cada região precisa de evidências de que o modelo reconhece suas tempestades sem produzir uma taxa de falsos alarmes impossível de administrar.
O terceiro sinal é a prometida divulgação do software e dos dados de treinamento. O acesso independente permitiria que pesquisadores inspecionassem pressupostos, reproduzissem resultados e medissem o desempenho usando registros adicionais de inundações.
A transparência também esclareceria como o modelo lida com o desequilíbrio de classes. Inundações repentinas perigosas são raras em comparação com observações meteorológicas comuns, o que pode tornar enganosas as métricas de precisão exibidas em manchetes.
A versão deve incluir documentação sobre preparação de dados, limiares do modelo, requisitos das estações e limites geográficos. Esses detalhes determinam se outra instituição consegue reproduzir os resultados relatados.
Esses três sinais se fortalecem mutuamente. Operações ao vivo revelam o valor para o fluxo de trabalho. Testes regionais avaliam a capacidade de generalização. Recursos abertos permitem que equipes independentes verifiquem ambos.
A falha em qualquer um desses sinais reduziria a relevância da tecnologia. Resultados sólidos na Califórnia sem testes regionais fariam do TACLS uma ferramenta especializada. A expansão sem dados transparentes sobre erros dificultaria avaliar sua confiabilidade.
O projeto de alerta de enchentes repentinas TACLS da NASA merece atenção porque observa uma ameaça por meio de uma infraestrutura que já nos cerca. Também merece cautela, pois nenhuma pontuação de aprendizado de máquina garante uma ação pública mais antecipada.
A pergunta útil não é se a inteligência artificial consegue prever todas as enchentes repentinas. Ela não consegue. A questão é se os dados de umidade do GNSS oferecem aos meteorologistas uma vantagem confiável nos minutos em que as condições se tornam perigosas.
Acompanhe de perto as próximas grandes tempestades no sul da Califórnia. O TACLS identificou a ameaça primeiro, e os meteorologistas usaram essa informação? Essas respostas mostrarão se os sinais de temporização por satélite podem se transformar em tempo prático de alerta.
