Oferecido por
À medida que as mudanças climáticas deixam o tempo cada vez mais instável e extremo, precisamos de previsões mais confiáveis para que possamos nos preparar e prevenir desastres. Hoje, meteorologistas usam enormes simulações de computador para fazer suas previsões. Elas levam horas para terminar, porque os cientistas analisam as variáveis climáticas, como temperatura, precipitação, pressão, vento, umidade e nuvens, uma a uma.
No entanto, novos sistemas de Inteligência Artificial poderiam acelerar significativamente esse processo e tornar as previsões — e alertas de risco — mais precisos, sugerem dois artigos publicados na revista Nature no início deste mês.
O primeiro, desenvolvido pela Huawei, detalha como seu novo modelo de IA, o Pangu-Weather, pode prever os padrões climáticos semanais de todo o mundo de forma muito mais rápida do que os métodos tradicionais, mas com precisão comparável.
O segundo demonstra como um algorítimo de aprendizado profundo foi capaz de prever chuvas torrenciais com maior precisão e antecedência do que outros métodos reconhecidos, tendo sido o mais rápido em 70% dos testes realizados em comparação à sistemas semelhantes já existentes.
Se adotados, esses modelos poderiam ser utilizados juntamente a métodos tradicionais de previsão do tempo para aumentar a capacidade das autoridades de se preparar para o mau tempo, diz Lingxi Xie, pesquisador sênior na Huawei.
Para criar o Pangu-Weather, pesquisadores da Huawei desenvolveram redes neurais profundas treinadas com 39 anos de dados de reanálise, que combinam observações históricas do tempo e modelos modernos. Diferentemente dos métodos convencionais, que analisam as variáveis climáticas uma de cada vez, o Pangu-Weather é capaz de analisar todas ao mesmo tempo em questão de segundos.
Os pesquisadores testaram o Pangu-Weather em comparação com um dos principais sistemas convencionais de previsão de tempo do mundo, o Centro Europeu de Previsões Meteorológicas a Médio Prazo (conhecido pela sigla em inglês: ECMWF), e descobriram que ele produz resultados com precisão similar.
O Pangu-Weather também foi capaz de monitorar precisamente o caminho de um ciclone tropical, apesar de não ter sido treinado com dados de ciclones tropicais. Essa descoberta mostra que modelos de machine learning são capazes de aprender processos climáticos e generalizá-los para situações que não viram antes, diz Oliver Fuhrer, chefe do departamento de previsão numérica do MeteoSwiss, o Departamento Federal de Meteorologia e Climatologia da Suíça. Ele não esteve envolvido na pesquisa.
O Pangu-Weather é interessante porque pode prever o tempo muito mais rápido do que os cientistas conseguiam anteriormente e prevê coisas que não estavam em seus dados de treinamento originais, diz Fuhrer.
No último ano, diversas empresas de tecnologia lançaram modelos de IA que buscam aprimorar a previsão do tempo. O Pangu-Weather e outros modelos similares, tais como o FourcastNet da Nvidia e o GraphCast da Google-DeepMind, estão fazendo com que meteorologistas “reconsiderem a forma como utilizam machine learning e previsões do tempo”, diz Peter Dueben, chefe de modelagem do sistema terrestre do ECMWF. Ele não esteve envolvido na pesquisa, mas testou o Pangu-Weather.
Antes, Machine Learning era visto mais como um projeto “de brincadeira”, diz Dueben. Mas agora parece que meteorologistas serão capazes de utilizá-lo em conjunto com métodos convencionais para fazer suas previsões.
Só o tempo dirá quão bom será o desempenho desses sistemas na prática. Sistemas convencionais de previsão do tempo são treinados com dados observacionais, enquanto o Pangu-Weather depende de dados de reanálise. Xie diz que espera poder treinar o modelo com dados observacionais no futuro.
E, embora a Inteligência Artificial possa ajudar a prever em que direção ciclones tropicais estão indo, não consegue antecipar sua intensidade. “AIs tendem a subestimar climas extremos”, diz Xie.
Entretanto, outros modelos de IA podem ajudar com isso. Uma IA generativa baseada em física chamada NowcastNet pode prever chuvas extremas com uma antecedência maior do que os métodos convencionais.
As atuais ferramentas de aprendizado profundo para previsão de chuvas, como o DGMR da DeepMind, podem prever a probabilidade de chuva dos próximos 90 minutos. A NowcastNet é capaz de prever chuvas extremas, uma tarefa mais difícil, com três horas de antecedência. Sessenta e dois meteorologistas chineses avaliaram o sistema em comparação com outros semelhantes e concluíram que era o melhor método de previsão de chuva em 70% dos casos.
O time desenvolveu um modelo generativo profundo que é treinado com dados coletados por diferentes radares meteorológicos e por outras tecnologias, tais como sensores e satélites, diz Michael I. Jordan. O modelo também é treinado nos princípios da física atmosférica — gravidade, por exemplo — e alimentado com dados de radares, que oferecem fotografias dos padrões climáticos. Esse modelo pode, então, gerar o próximo cenário provável para o padrão climático.
Como outros modelos, entre eles o DGMR, são treinados apenas com dados de radar, eles têm somente imagens parciais da atmosfera. Isso leva a resultados imprecisos quanto a eventos raros, como chuvas extremas. Como a NowcastNet se baseia em física, dizem os pesquisadores, seu modelo tem uma visão mais abrangente de como a chuva se comporta, levando a previsões mais exatas.
As inteligências artificiais podem nos ajudar a ganhar tempo em previsões de curto prazo quanto a eventos climáticos, como a chuva. Em casos extremos, chuvas podem causar morte e destruição em massa, e ser capaz de prevê-las com uma antecedência que permita às pessoas se prepararem é importante, diz Jordan, cientista da computação da Universidade de Berkeley que trabalhou no estudo.
Estamos só no começo das previsões do tempo baseadas em inteligência artificial e ainda não se sabe quão úteis esses sistemas serão na prática. As mudanças climáticas também podem complicar a situação, diz Dueben.
“O sistema climático está mudando drasticamente. Então se, de repente, todo o gelo do Ártico desaparecer, ninguém sabe o que um modelo como o Pangu-Weather fará”, diz ele.
MIT Technology Review
