Resumo
- A previsão do tempo beneficiou da tecnologia, mas ainda são necessárias previsões mais precisas para condições meteorológicas severas. A IA, como o MLM GraphCast da DeepMind, está se mostrando útil.
- GraphCast usa dados meteorológicos históricos e IA para fazer previsões, e os resultados são mais rápidos e precisos do que a previsão numérica do tempo (NWP).
- As previsões do GraphCast foram mais precisas do que as do HRES e levaram segundos para serem geradas. Mostra-se promissor na previsão de condições meteorológicas severas, mas são necessários mais testes.
A previsão do tempo beneficiou-se enormemente dos avanços tecnológicos ao longo do século passado, mas muitos acreditam que ainda há espaço para melhorias. Saber o que esperar pode ser a diferença entre a vida e a morte em casos de mau tempo. Por esta razão, os especialistas estão à procura de formas de fazer previsões mais precisas e a IA está a provar ser uma ferramenta útil. Agora, o DeepMind do Google – o laboratório de pesquisa de IA da empresa – desenvolveu um modelo de aprendizado de máquina (MLM) que demonstra o quão útil ele pode ser.
Um estudo publicado na Science em 14 de novembro lança luz sobre o GraphCast, o MLM criado pela DeepMind para desenvolver previsões meteorológicas mais confiáveis. Para tornar o GraphCast o mais preciso possível, o MLM foi treinado para reanalisar dados meteorológicos anteriores para fazer suas previsões. Atualmente, muitos especialistas confiam na previsão numérica do tempo (NWP) para criar suas previsões. Embora não haja nada de intrinsecamente errado com isso, é inegavelmente uma abordagem mais lenta do que aproveitar a IA para analisar dados meteorológicos históricos e fazer previsões semelhantes.
A DeepMind começou a treinar o GraphCast usando dados meteorológicos globais entre 1979 e 2017. Isso o ajudou a compreender variáveis, como vento, temperatura e pressão do ar. Em sua forma atual, o GraphCast agora usa estimativas meteorológicas de 6 horas atrás e o estado “atual” do clima global para fazer previsões. Nos testes, a DeepMind forneceu estimativas meteorológicas globais ao GraphCast de 2018 para criar uma previsão com até 10 dias de antecedência. Os pesquisadores descobriram que suas previsões eram mais precisas do que as provenientes do sistema de previsão de alta resolução (HRES), uma variação do NWP. Além disso, a geração demorou apenas alguns segundos, em comparação com as horas exigidas pelo HRES. Ao pesquisar a confiabilidade do GraphCast na previsão de condições climáticas severas, como ciclones tropicais, a DeepMind também obteve resultados promissores. No entanto, os investigadores reconhecem que o MLM ainda precisa de mais testes para determinar como outras métricas podem impactar resultados variados.
À medida que o laboratório de pesquisa de IA do Google avança, a empresa continua a desenvolver sua abordagem para previsão do tempo em todos os níveis. Em junho de 2023, por exemplo, começou a aproveitar dados dos sistemas de sensores MRMS e HRRR da Administração Nacional Oceânica e Atmosférica para o Google Weather. Com essas informações, os usuários do aplicativo Weather recebem previsões de 12 horas mais precisas. A empresa também desenvolveu um recurso chamado Nowcast, criado especificamente para enfrentar condições climáticas severas. Os dados do Nowcast são atualizados minuto a minuto, o que significa que os usuários podem confiar neles para obter informações meteorológicas urgentes à medida que elas se desenvolvem.
Você pode considerar a previsão do tempo útil apenas para evitar chuvas passageiras, mas o Google sabe que pode fazer mais do que informar quando pegar o guarda-chuva. Ao gerar previsões mais precisas, MLMs como o GraphCast podem se tornar algumas das ferramentas de IA mais valiosas que temos.
