O novo modelo meteorológico de IA da Europa é mais rápido, mais inteligente e gratuito — aqui está o que você precisa saber

O Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) acaba de lançar um modelo de previsão baseado em IA que, segundo o centro, supera os modelos de última geração baseados em física em até 20%.

O modelo é chamado de Artificial Intelligence Forecasting System (AIFS). De acordo com um release do ECMWF, o novo modelo opera em velocidades mais rápidas do que modelos baseados em física e consome 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 do tempo de médio alcance do mundo. A previsão de médio alcance inclui previsões do tempo feitas entre três e 15 dias de antecedência, mas o ECMWF também prevê o tempo até um ano à frente. Os modelos de previsão do tempo são essenciais para que estados e governos locais se mantenham preparados para eventos climáticos extremos — bem como para necessidades mais diárias, como saber como estará o tempo nas suas próximas férias.

Os 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 orientados por IA é que eles podem aprender relações e dinâmicas mais complexas em padrões climáticos diretamente dos dados, em vez de depender apenas de equações previamente conhecidas e documentadas.

O anúncio do ECMWF vem na esteira do modelo GenCast do Google DeepMind para previsão do tempo com tecnologia de IA, a próxima iteração do software de previsão do tempo do 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 entrega maiores que 36 horas, o GenCast foi mais preciso do 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 esforço enorme que garante que os modelos estejam funcionando de forma estável e confiável”, disse Florian Pappenberger, Diretor de Previsões e Serviços do ECMWF, no comunicado central. “No momento, a resolução do AIFS é menor do que a do nosso modelo (IFS), que atinge uma resolução de 9 km [5,6 milhas] usando uma abordagem baseada em física.”

“Vemos o AIFS e o IFS como complementares e parte do fornecimento de uma gama de produtos para nossa comunidade de usuários, que decide o que melhor atende às suas necessidades”, acrescentou Pappenberger.

A equipe explorará a hibridização de modelagem baseada em dados e física para melhorar a capacidade da organização de prever o clima com precisão.

“Modelos baseados em física são essenciais para o atual processo de assimilação de dados”, disse Matthew Chantry, Strategic Lead for Machine Learning na ECMWF e Head of the Innovation Platform, em um e-mail para o Gizmodo. “Esse mesmo processo de assimilação de dados também é vital para inicializar modelos de machine learning do dia a dia e permitir que eles façam previsões.”

“Uma das próximas fronteiras para a previsão do tempo por aprendizado de máquina é essa etapa de assimilação de dados, que, se resolvida, 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 que descreve um sistema de previsão de ponta a ponta baseado em dados que não depende de reanálise baseada em física.

Chamado GraphDOP, o sistema usa quantidades observáveis, como temperaturas de brilho de orbitadores polares “para formar uma representação latente coerente da dinâmica de 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 um caminho promissor para previsões mais precisas. Testes até o momento indicam que a previsão com tecnologia de IA pode superar modelos históricos, mas até agora esses modelos têm se baseado em dados de reanálise. Observações no solo foram essenciais para treinar os modelos, e ainda não se sabe o quão impressionantes serão as habilidades de previsão da tecnologia quando ela for forçada a sair do script.