O WeatherNext 3 usa IA, dados de satélite em tempo real e previsões horárias para melhorar a precisão meteorológica e ampliar aplicações em energia, agricultura e cotidiano. O post Google leva IA para a previsão do tempo e cria modelo capaz de atualizar o cli…

Principais destaques

Prever o tempo parece uma tarefa simples quando uma pessoa abre o celular pela manhã para descobrir se vai chover à tarde. Por trás dessa informação, porém, existe uma das tarefas computacionais mais complexas da ciência moderna.

A atmosfera está em constante movimento. Temperatura, pressão, umidade, vento e formação de nuvens interagem de maneira difícil de prever, e pequenas mudanças podem provocar diferenças enormes algumas horas depois.

É justamente nesse problema que o Google está tentando aplicar uma das ferramentas que mais avançaram nos últimos anos: a inteligência artificial.

O Google DeepMind e o Google Research apresentaram o WeatherNext 3, uma nova geração de modelo meteorológico desenvolvida para produzir previsões mais frequentes, detalhadas e próximas das condições observadas no mundo real.

A empresa afirma que o sistema alcança resultados superiores aos de outros modelos de inteligência artificial avaliados de forma independente pela Brightband. O WeatherNext 3 também representa uma mudança importante na maneira como a IA meteorológica recebe seus dados.

Em vez de depender apenas de informações previamente processadas por modelos meteorológicos tradicionais, a nova geração consegue incorporar diretamente dados de satélites em tempo real.

Uma das principais limitações das previsões meteorológicas está no intervalo entre uma atualização e outra.

O WeatherNext 2, geração anterior do sistema, trabalhava com previsões em intervalos de seis horas e uma grade global de aproximadamente 25 quilômetros. O WeatherNext 3 reduz esse intervalo para uma atualização por hora e aumenta significativamente o nível de detalhe espacial.

Para algumas variáveis de superfície, como temperatura e umidade, o modelo pode trabalhar com resolução de aproximadamente 5 quilômetros.

Outras informações também ganham mais detalhes, embora utilizem resoluções diferentes. Segundo o Google, algumas variáveis de superfície chegam a 10 quilômetros, enquanto determinadas informações atmosféricas, como vento, são trabalhadas em escalas de 25 quilômetros.

A diferença parece pequena quando observada apenas em números.

Na prática, porém, aumentar a resolução significa representar melhor diferenças que acontecem em áreas relativamente próximas. Uma região montanhosa, uma área costeira e uma região urbana, por exemplo, podem apresentar condições meteorológicas diferentes mesmo estando a poucos quilômetros umas das outras.

O resultado é uma previsão que tenta acompanhar melhor aquilo que está acontecendo naquele momento, e não apenas aquilo que os modelos estimavam algumas horas antes.

Isso é especialmente importante para fenômenos que mudam rapidamente, como chuva intensa, tempestades e sistemas de nuvens.

Durante décadas, a previsão meteorológica foi dominada pelos chamados modelos numéricos de previsão do tempo.

Esses sistemas utilizam enormes quantidades de dados e equações baseadas na física para simular o comportamento da atmosfera. O processo exige uma quantidade significativa de capacidade computacional e depende de supercomputadores operados por instituições meteorológicas.

Os resultados são extremamente úteis e continuam sendo fundamentais para a meteorologia.

A inteligência artificial não surgiu para simplesmente substituir esses sistemas. O que pesquisadores estão tentando fazer é encontrar maneiras diferentes de transformar dados meteorológicos em previsões, aproveitando a capacidade dos modelos de aprendizado de máquina para reconhecer padrões extremamente complexos.

O WeatherNext 3 segue essa linha, mas introduz uma mudança particularmente importante: ele consegue receber mosaicos de imagens de satélites geoestacionários atualizados em intervalos de uma hora.