GenCast supera métodos tradicionais, oferecendo previsões de até 15 dias com maior precisão e agilidade, transformando a previsão do tempo
O Google DeepMind revelou um modelo de previsão do tempo baseado em inteligência artificial que supera os métodos tradicionais em previsões de até 15 dias e é melhor em prever eventos extremos.
A ferramenta, conhecida como GenCast, avalia a probabilidade de múltiplos cenários para estimar com precisão tendências, desde a produção de energia eólica até os movimentos de ciclones tropicais.
A técnica probabilística do GenCast é um novo marco no rápido progresso do uso de IA para aprimorar e acelerar as previsões meteorológicas cotidianas, uma abordagem que está sendo cada vez mais adotada pelos grandes meteorologistas tradicionais.
“[Isso] marca um ponto de inflexão no avanço da IA para a previsão do tempo, com previsões de ponta agora vindo de modelos de aprendizado de máquina”, disse Ilan Price, cientista de pesquisa no Google DeepMind.
“O GenCast pode ser incorporado aos sistemas operacionais de previsão do tempo, oferecendo insights valiosos para ajudar os tomadores de decisão a entender e se preparar melhor para eventos climáticos futuros.”
A novidade do GenCast em relação aos modelos anteriores de aprendizado de máquina é seu uso das chamadas previsões “em conjunto”, que representam diferentes cenários, uma técnica já aplicada na previsão tradicional de ponta. O GenCast foi treinado com quatro décadas de dados do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF).
O modelo superou a previsão de 15 dias do ECMWF em 97,2% das 1.320 variáveis, como temperatura, velocidade do vento e umidade, de acordo com um artigo publicado na Nature nesta quarta-feira.
Os resultados representam uma melhoria adicional em precisão e alcance sobre o modelo revolucionário GraphCast, também desenvolvido pelo Google DeepMind, lançado no ano passado. O GraphCast superou as previsões do ECMWF em cerca de 90% das métricas para previsões de três a dez dias.
Os modelos de previsão baseados em IA são tipicamente mais rápidos e potencialmente mais eficientes do que os métodos tradicionais, que dependem de imenso poder de computação para processar equações derivadas da física atmosférica. O GenCast pode gerar suas previsões em apenas oito minutos, em comparação com as horas necessárias para as previsões tradicionais — e com uma fração das necessidades de processamento eletrônico.
O modelo GenCast pode ser ainda aprimorado em áreas como a capacidade de prever a intensidade de grandes tempestades, disseram os pesquisadores. A resolução de seus dados poderia ser aumentada para acompanhar as melhorias feitas este ano pelo ECMWF.
O ECMWF afirmou que o desenvolvimento do GenCast é um “marco significativo na evolução da previsão do tempo”. A organização disse que integrou “componentes-chave” da abordagem do GenCast em uma versão de seu próprio sistema de previsão baseado em IA, com previsões de ensemble ao vivo disponíveis desde junho.
No entanto, a ciência inovadora de aprendizado de máquina por trás do GenCast ainda precisa ser testada em eventos climáticos extremos, acrescentou o ECMWF.
O desenvolvimento do GenCast vai intensificar o debate sobre até que ponto a IA deve ser aplicada nas previsões meteorológicas, com muitos cientistas defendendo uma técnica híbrida para alguns fins.
Em julho, o Google revelou o modelo NeuralGCM, que combina aprendizado de máquina e física tradicional para obter resultados melhores do que a IA sozinha em previsões de longo prazo e tendências climáticas.
“Há questões em aberto e discussões sobre o equilíbrio ideal entre sistemas de previsão baseados em física e aprendizado de máquina. Uma ampla comunidade científica, incluindo [nós], está explorando ativamente isso”, afirmou o ECMWF.
O Met Office do Reino Unido, o serviço meteorológico nacional, está pesquisando como aproveitar os “desenvolvimentos empolgantes” para seus próprios modelos de previsão baseados em IA, disse Steven Ramsdale, chefe de previsões com responsabilidade sobre IA.
“Continuamos acreditando que o maior valor vem de uma abordagem híbrida, combinando avaliação humana, modelos tradicionais baseados em física e previsão meteorológica baseada em IA”, acrescentou.
om informações do Financial Times*