A Google DeepMind revelou um modelo de IA que supera os melhores sistemas atuais na previsão do tempo.
Esse é o segundo modelo de IA para previsão meteorológica lançado pela Google em poucos meses. Em julho, foi apresentado o NeuralGCM, que combinava IA com métodos baseados em física, como os usados em ferramentas de previsão existentes. Esse modelo apresentou desempenho similar aos métodos convencionais, mas com menor consumo de poder computacional.
GenCast, por outro lado, é diferente, pois utiliza apenas métodos de IA. Ele funciona de forma semelhante ao ChatGPT, mas, em vez de prever a próxima palavra em uma frase, projeta a próxima condição meteorológica mais provável. Durante o treinamento, o modelo começa com parâmetros ou pesos aleatórios e os ajusta gradualmente ao comparar suas previsões com dados climáticos reais.
Treinado com 40 anos de dados meteorológicos (1979-2018), o GenCast gerou previsões para 2019, mostrando maior precisão que o Ensemble Forecast (ENS), considerado o melhor sistema atual, em 97% das vezes. Ele também apresentou melhor desempenho em prever condições de vento e eventos extremos, como o trajeto de ciclones tropicais. Melhorar a previsão dos ventos pode aumentar a eficiência da energia eólica, enquanto estimativas mais precisas de fenômenos extremos auxiliam no planejamento contra desastres naturais.
Grandes empresas de tecnologia também estão apostando em IA para previsões meteorológicas. Em 2022, a Nvidia lançou o FourCastNet, e em 2023, a Huawei desenvolveu o modelo Pangu-Weather, que treinou com 39 anos de dados. Diferentemente do GenCast, o Pangu-Weather gera previsões determinísticas — um único valor para eventos, como “30 °F amanhã” ou “0,7 polegadas de chuva.”
O GenCast, por sua vez, oferece previsões probabilísticas, indicando a probabilidade de diferentes resultados, como “40% de chance de temperatura mínima de 30 °F” ou “60% de chance de 0,7 polegadas de chuva amanhã.” Esse tipo de análise ajuda as autoridades a entenderem as possibilidades e a planejarem melhor.
Esses avanços, no entanto, não significam o fim da meteorologia convencional. O modelo depende de conjuntos de dados como o ERA5, que reúne estimativas horárias de variáveis atmosféricas desde 1940. Segundo Aaron Hill, professor da Escola de Meteorologia da Universidade de Oklahoma, “o alicerce do ERA5 é um modelo baseado em física.” Como muitas variáveis atmosféricas não são diretamente observadas, os meteorologistas utilizam equações físicas para gerar estimativas, combinando-as com dados disponíveis para alimentar modelos como o GenCast.
Além disso, os modelos de IA precisam de dados atualizados. Um modelo treinado até 2018 terá um desempenho inferior ao de 2024, por exemplo, quando comparado a um modelo treinado até 2023.
“No futuro, esperamos testar modelos diretamente com dados observacionais, como leituras de vento ou umidade, para avaliar sua viabilidade,” diz Ilan Price, pesquisador da DeepMind e criador do GenCast.
Apesar dos avanços, modelos como o GenCast ainda enfrentam dificuldades, como prever condições na alta troposfera ou a intensidade de ciclones tropicais. A escassez de dados específicos de intensidade nos treinamentos limita sua precisão nesses casos.
A colaboração entre meteorologistas e IA é vista como o caminho ideal. “Especialistas em meteorologia analisam as previsões, fazem julgamentos e consideram dados adicionais quando não confiam em determinada previsão,” afirma Price. Hill concorda: “O valor do ser humano em reunir essas informações é subestimado quando discutimos sistemas de previsão por IA. Os meteorologistas analisam muito mais informações e podem destilar isso para gerar previsões melhores.”
Scott J Mulligan
