Na última semana de junho de 2026, a França registrou seu dia mais quente desde o início das medições nacionais, em 1947. Com as temperaturas ultrapassando 40 graus, os rios aqueceram, e a infraestrutura construída para manter as luzes acesas começou a falhar de maneiras que eram, ao menos no papel, totalmente previsíveis. Uma unidade de reator na usina de Golfech, no sul do país, foi desligada porque o rio do qual dependia para resfriamento havia ficado quente demais para cumprir a função com segurança. No noroeste, uma falha relacionada ao calor em um transformador deixou milhares de residências em Finistère sem eletricidade, parte de um problema mais amplo no qual mais de cem mil clientes ficaram sem energia em todo o país, à medida que uma infraestrutura envelhecida enfrentava condições para as quais nunca foi projetada. Outros países europeus enfrentaram desafios semelhantes: de alertas na rede no Reino Unido a uma interrupção na distribuição na Alemanha, tudo porque a demanda por resfriamento aumentou acentuadamente exatamente no momento em que o lado da oferta menos podia suportar isso.
Nada disso é uma surpresa em termos gerais. Todos no setor de energia sabem que o calor extremo sobrecarrega a rede, que usinas térmicas e nucleares dependem de água fria e que a demanda por ar-condicionado dispara exatamente quando a geração está mais frágil. Mas a parte difícil é conhecer os detalhes com antecedência: qual transformador, qual corredor, qual subestação, em qual semana, sob qual combinação de condições. Essa lacuna entre conhecer o padrão e prever a ocorrência exata é onde vive uma grande parte dos danos. Mas é uma lacuna que a observação da Terra está cada vez mais bem posicionada para fechar. O verdadeiro obstáculo, neste momento, é a falta dos dados certos para treinar os modelos que podem transformar imagens em capacidade de antecipação.
A manutenção da rede está passando do reativo para o preditivo
Durante a maior parte de sua história, a resiliência da rede elétrica foi uma disciplina reativa. Equipes são acionadas depois que uma linha cai, a vegetação é removida em ciclos fixos, haja ou não risco real em um determinado trecho, e a infraestrutura é inspecionada por cronograma, em vez de conforme onde a falha é mais provável a seguir. Isso funciona, mas é caro e está sempre um passo atrás do clima.
A ambição agora é agir a montante: identificar os lugares e os momentos em que uma interrupção é mais provável antes que ela aconteça e direcionar, de acordo com isso, orçamentos de manutenção que são escassos. Os dados de satélite estão no centro dessa ambição porque oferecem algo que nenhuma equipe em solo consegue: uma visão consistente, repetível e de ampla área das condições que antecedem a falha. A questão é se um modelo consegue aprender a ler essas condições com confiabilidade. E isso, ao que parece, depende menos das imagens disponíveis hoje e mais de conseguirmos fornecer aos modelos exemplos das situações que mais importam — que são justamente as situações raras.
O que causa falhas na rede elétrica durante ondas de calor
As falhas que vimos se desenrolar em junho não foram um único problema, mas vários, ocorrendo ao mesmo tempo. Vale a pena separá-los, porque cada um é uma tarefa de previsão distinta, e cada um esbarra na mesma restrição subjacente.
O primeiro é a vegetação. Árvores crescendo em direção às linhas e árvores estressadas pela seca caindo sobre elas continuam entre as causas mais comuns de interrupções e, em regiões secas, de incêndios florestais iniciados por concessionárias. O risco de vegetação não é estático: ele muda com taxas de crescimento, espécies, teor de umidade e o aumento lento da mortalidade de árvores que um clima mais quente e mais seco vem impulsionando. As concessionárias já começaram a recorrer a imagens de satélite e aprendizado de máquina para avaliar esse risco no nível de vãos individuais e até de árvores individuais, identificando exemplares mortos ou morrendo com maior probabilidade de falhar e os corredores onde o combustível se acumulou. É um dos casos mais claros em que uma visão de ampla área, atualizada com frequência, supera um ciclo fixo de inspeção.
O segundo é o estresse térmico sobre a própria infraestrutura física. O desligamento de Golfech é a ponta visível disso: usinas térmicas e nucleares que dependem de água de rio para resfriamento precisam reduzir a carga ou parar quando essa água fica quente demais — uma restrição que também reduziu de forma perceptível a produção hidrelétrica europeia durante as condições secas e quentes dos últimos anos. Abaixo do nível de geração, a rede de distribuição sofre suas próprias lesões por calor. Transformadores superaquecem, condutores cedem à medida que se expandem, e componentes envelhecem mais rápido sob carga térmica sustentada. Esses são processos físicos que deixam assinaturas observáveis: na temperatura de superfície, no estado do terreno ao redor, no comportamento térmico dos ativos. Ler essas assinaturas como uma probabilidade de falha é o passo mais difícil.
O terceiro é a questão mais ampla das zonas de vulnerabilidade da rede: os lugares onde um pico de demanda encontra uma infraestrutura fraca. Durante a onda de calor de junho, a demanda diária de energia subiu em dois dígitos em alguns locais, à medida que a carga de resfriamento disparou, enquanto parte da geração estava fora do ar para manutenção ou por limitações de calor no mesmo momento. O perigo é quando calor e demanda atingem o mesmo ponto fraco ao mesmo tempo. Mapear essas zonas significa combinar o que os satélites conseguem ver do ambiente físico com uma compreensão de onde o estresse se concentra, e significa ser capaz de modelar condições que ainda não ocorreram, mas poderiam ocorrer.
O quarto é deliberado: ameaças geopolíticas e físicas à infraestrutura. Isso já não é mais hipotético para a Europa. Um relatório do setor, no início deste ano, documentou um padrão acelerado de sabotagem, intrusão aérea e danos a cabos submarinos contra ativos de energia, e os incidentes específicos agora são numerosos — desde um suposto ataque criminoso por incêndio contra torres que cortou a energia de dezenas de milhares de residências em Berlim no outono de 2025 até o rompimento de um cabo de energia no Golfo da Finlândia no fim de 2024. Esses eventos são, por natureza, planejados para serem raros e inesperados, o que os torna quase impossíveis de aprender usando apenas registros históricos. Ainda assim, a vulnerabilidade física de um determinado ativo — quão exposto ele está, quão observável, quão rapidamente o dano apareceria — é algo que o sensoriamento remoto pode ajudar a caracterizar com antecedência.
O que une os quatro é o formato do problema de dados por trás deles. Em todos os casos, os eventos que mais importam são os que menos acontecem.
Eventos raros e os limites dos dados de satélite
Este é o problema silencioso no centro de prever qualquer coisa a partir do espaço. Arquivos de satélite guardam um volume enorme, e o equilíbrio está no lugar errado. Eles são ricos no comum e escassos no extremo. Para cada mil imagens de uma rede operando sob céus calmos, há mal uma de um transformador falhando durante uma onda de calor. O registro é um professor ruim para os eventos que quase não viu.
Essa escassez se agrava de três maneiras. Primeiro, quando eventos raros aparecem nas imagens, alguém ainda precisa encontrá-los e rotulá-los manualmente, o que é lento, caro e sujeito a erros, e simplesmente não há material rotulado suficiente para todos. Segundo, os momentos de maior interesse frequentemente são os momentos em que os satélites ópticos menos conseguem ver. Tempestades, frentes de fogo e clima extremo trazem nuvens e fumaça, então o arquivo não é apenas escasso no momento crucial — ele muitas vezes está obscurecido. Terceiro, um modelo treinado em condições comuns tende a falhar nas bordas, generalizando mal para o caso incomum, que é o que causa a interrupção.
O resultado é um campo que consegue monitorar bem o presente e tem dificuldade para antecipar o excepcional. E o excepcional é aquilo para o qual uma rede resiliente precisa estar preparada — ainda mais à medida que as mudanças climáticas transformam o evento centenário de ontem em algo recorrente e à medida que ameaças deliberadas adicionam uma categoria de risco que quase não tem base histórica alguma.
Dados sintéticos de satélite para prever falhas na rede elétrica
Dados sintéticos de satélite oferecem uma forma de superar esses desafios. São imagens construídas para se comportar como a saída de um sensor real, geradas em vez de capturadas. Como a cena é construída, tudo nela é conhecido, e cada objeto carrega um rótulo exato sem custo adicional. Isso inverte o dilema usual, em que os eventos mais raros e mais valiosos são os mais difíceis de encontrar e os mais difíceis de rotular.
Isso amplia o que um modelo pode aprender. É possível construir um corredor em que a vegetação se aproxima de uma linha sob seca, em qualquer estação ou nível de umidade. Em vez de esperar anos para que um transformador real falhe no calor e seja registrado, é possível simular a lenta progressão até essa falha e executá-la quantas vezes for necessário. É possível até criar os eventos que ninguém quer esperar: uma inundação no pico ou uma frente de fogo no pior momento.
A simulação é o que faz isso funcionar. Um ambiente sintético modela como calor, seca e carga se desenrolam ao longo de um trecho da rede e produz uma gama completa de resultados, em vez da fatia fina que a realidade acaba registrando. O modelo estuda a emergência antes que ela chegue e aprende os sinais de uma falha que ainda não aconteceu. Para ameaças raras, esta é a única forma honesta de dar a um modelo experiência real delas com antecedência. Imagens reais ainda são a base. Os melhores resultados vêm do uso de ambos: dados reais para manter o modelo ancorado e dados sintéticos para cobrir o que falta, com cada modelo verificado em cenas reais antes que alguém confie nele. Juntos, eles fecham a lacuna onde a previsão falha.
O futuro da observação da Terra preditiva
As falhas de junho de 2026 mostraram as condições que nossa infraestrutura enfrenta, avançando além dos limites para os quais foi construída — e fazendo isso mais rápido do que o registro consegue acompanhar. Ondas de calor antes consideradas excepcionais agora retornam a cada verão. O estresse de seca sobre a vegetação está aumentando. Ataques à infraestrutura de energia saíram do planejamento de cenários e foram parar nas notícias. Em cada um desses casos, a previsão é limitada pela mesma coisa: a falta de dados específicos e bem rotulados que descrevam o raro e o extremo.
À medida que a observação da Terra passa de observar o que acontece para antecipar o que acontecerá, a capacidade de construir os dados que faltam, com verdade terrestre exata, pode passar a importar tanto quanto a capacidade de capturá-los. Para uma rede que precisa estar pronta para a interrupção que ainda virá, essa mudança não pode chegar cedo o suficiente. Ver a próxima falha antes que ela aconteça depende de ter mostrado a um modelo como essa falha se parece. Às vezes, a única maneira de fazer isso é construí-la.
A Another Earth gera dados sintéticos de observação da Terra em alta resolução, projetados para treinar e testar os modelos de IA usados em trabalhos ambientais, de infraestrutura e de clima. Nosso objetivo é ajudar organizações a passar de reagir ao que já aconteceu para antecipar o que vem a seguir, construindo a camada de dados preditivos para o mundo físico.
