O Centro Europeu para Previsões Meteorológicas de Médio Prazo (ECMWF) acaba de lançar um modelo de previsão alimentado por IA, que o centro afirma superar modelos baseados em física de ponta em até 20%.
O modelo é chamado de Sistema de Previsão por Inteligência Artificial (AIFS). De acordo com um comunicado do ECMWF, o novo modelo opera em velocidades mais rápidas do que os modelos baseados em física e leva aproximadamente 1.000 vezes menos energia para fazer uma previsão.
O ECMWF, agora em seu 50º ano de operação, produziu o ENS, um dos principais modelos de previsão meteorológica de médio prazo do mundo. A previsão de médio prazo inclui previsões meteorológicas feitas entre três e 15 dias de antecedência, mas o ECMWF também prevê o tempo até um ano à frente. Modelos de previsão do tempo são essenciais para que estados e governos locais se mantenham preparados para eventos climáticos extremos—além de necessidades diárias, como saber como estará o tempo em suas próximas férias.
Modelos tradicionais de previsão do tempo fazem previsões resolvendo equações físicas. Uma limitação desses modelos é que eles são aproximações da dinâmica atmosférica. Um aspecto atraente dos modelos impulsionados por IA é que eles poderiam aprender relações e dinâmicas mais complexas em padrões climáticos diretamente a partir dos dados, em vez de depender apenas de equações previamente conhecidas e documentadas.
O anúncio do ECMWF vem na esteira do modelo GenCast da Google DeepMind para previsão do tempo com IA, a próxima iteração do software de previsão do tempo da Google que inclui NeuralGCM e GraphCast. O GenCast superou o ENS, o principal modelo de previsão do tempo do ECMWF, em 97,2% dos alvos em diferentes variáveis climáticas. Com prazos de antecedência superiores a 36 horas, o GenCast foi mais preciso que o ENS em 99,8% dos alvos.
Mas o Centro Europeu também está inovando. O lançamento do AIFS-single é apenas a primeira versão operacional do sistema.
“Este é um grande empreendimento que garante que os modelos estejam funcionando de maneira estável e confiável”, disse Florian Pappenberger, Diretor de Previsões e Serviços do ECMWF, no comunicado do centro. “No momento, a resolução do AIFS é menor do que a do nosso modelo (IFS), que alcança uma resolução de 9 km [5,6 milhas] usando uma abordagem baseada em física.”
“Vemos o AIFS e o IFS como complementares, e parte de fornecer uma gama de produtos à nossa comunidade de usuários, que decide o que melhor atende às suas necessidades”, acrescentou Pappenberger.
A equipe vai explorar a hibridização de modelagem baseada em dados e em física para melhorar a capacidade da organização de prever o tempo com precisão.
“Modelos baseados em física são fundamentais para o atual processo de assimilação de dados”, disse Matthew Chantry, Líder Estratégico de Aprendizado de Máquina do ECMWF e Chefe da Plataforma de Inovação, em um e-mail para o Gizmodo. “Esse mesmo processo de assimilação de dados também é vital para inicializar modelos de aprendizado de máquina diários e permitir que eles façam previsões.”
“Uma das próximas fronteiras para a previsão do tempo com aprendizado de máquina é esse passo de assimilação de dados, que se resolvido significaria que toda a cadeia de previsão do tempo poderia ser baseada em aprendizado de máquina”, acrescentou Chantry.
Chantry é coautor de um estudo que aguarda revisão por pares e que descreve um sistema de previsão de ponta a ponta baseado em dados que não depende da reanálise baseada em física.
Chamado de GraphDOP, o sistema usa quantidades observáveis, como temperaturas de brilho de órbitas polares, “para formar uma representação latente coerente da dinâmica do estado do sistema terrestre e dos processos físicos”, escreveu a equipe, “e é capaz de produzir previsões habilidosas de parâmetros climáticos relevantes até cinco dias no futuro.
Integrar métodos de inteligência artificial com modelagem de previsão do tempo baseada em física é uma via promissora para previsões mais precisas. Testes até agora indicam que a previsão alimentada por IA pode superar modelos históricos, mas até agora esses modelos se basearam em dados de reanálise. Observações no solo foram essenciais para treinar os modelos, e ainda resta saber quão impressionantes serão as habilidades de previsão da tecnologia quando for forçada a sair do roteiro.