Google desenvolve modelo de IA que supera previsões meteorológicas atuais

Investigadores da empresa Google DeepMind desenvolveram um modelo de aprendizagem automática capaz de desenvolver previsões meteorológicas probabilísticas fiáveis, baseadas no clima atual e futuro.

O modelo, denominado 'GenCast', supera as previsões meteorológicas tradicionais de médio alcance e é também capaz de prever melhor as condições meteorológicas extremas, as trajetórias dos ciclones tropicais e a produção de energia eólica.

Os detalhes do modelo foram divulgados na quarta-feira num artigo publicado na revista Nature, noticiou a agência Efe.

Ter previsões meteorológicas precisas é essencial para que as pessoas, os governos e as organizações possam tomar decisões essenciais no seu dia a dia, desde o transporte de um guarda-chuva até à avaliação da produção de energia eólica ou ao planeamento de condições meteorológicas extremas para evitar desastres.

As previsões meteorológicas tradicionais baseiam-se em métodos numéricos de previsão meteorológica, que estimam o tempo atual e mapeiam-no para uma previsão do tempo futuro ao longo do tempo (conhecidas como previsões determinísticas), mas isto gera numerosos cenários potenciais, que são combinados para produzir uma previsão meteorológica.

Agora, uma equipa de cientistas da Google desenvolveu um método de previsão do tempo com aprendizagem automática chamado GenCast, que é capaz de gerar uma previsão probabilística, que prevê a probabilidade do clima futuro com base nos estados climáticos atuais e anteriores.

Os autores treinaram o GenCast a partir de 40 anos (1979 a 2018) de análise de dados das melhores estimativas de ocorrências climáticas.

Graças a este treino, o modelo é capaz de gerar previsões globais para 15 dias, para mais de 80 variáveis atmosféricas e de superfície, em oito minutos.

Quando comparado com o conjunto de previsões do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ENS) - atualmente a previsão de médio prazo com melhor desempenho a nível mundial - descobriram que o GenCast superou o ENS em 97,2% dos 1.320 alvos utilizados.

O GenCast é também mais eficaz na previsão de condições meteorológicas extremas, trajetórias de ciclones tropicais e produção de energia eólica.

Os autores defendem que o GenCast pode gerar previsões meteorológicas mais eficientes e eficazes para apoiar um planeamento eficaz.