A Google DeepMind revelou recentemente o GenCast, um modelo inovador baseado em IA que pretende transformar a previsão metereológica. O novo modelo de IA melhora a previsão das incertezas e dos riscos meteorológicos, fornecendo previsões mais rápidas e mais exactas com uma antecedência de até 15 dias.

As condições meteorológicas afectam-nos a todos – moldando as nossas decisões, a nossa segurança e o nosso modo de vida. À medida que as alterações climáticas provocam fenómenos meteorológicos mais extremos, as previsões precisas e fiáveis são mais essenciais do que nunca. No entanto, o tempo não pode ser previsto na perfeição e as previsões são especialmente incertas para além de alguns dias.

Uma vez que não é possível efectuar uma previsão meteorológica perfeita, os cientistas e as agências meteorológicas utilizam previsões de conjunto probabilísticas, em que o modelo prevê uma série de cenários meteorológicos prováveis.

Estas previsões de conjunto são mais úteis do que confiar numa única previsão, uma vez que fornecem aos decisores uma imagem mais completa das possíveis condições meteorológicas nos próximos dias e semanas e da probabilidade de cada cenário.

Num artigo publicado na Nature, a Google apresentou o GenCast, o novo modelo de conjunto de IA de alta resolução (0,25°). O GenCast fornece melhores previsões do tempo quotidiano e de fenómenos extremos do que o sistema operacional de topo, o ENS do Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF), até 15 dias de antecedência.

A evolução dos modelos meteorológicos com IA
O GenCast marca um avanço crítico na previsão meteorológica baseada em IA, que se baseia no modelo meteorológico anterior, que era determinístico e fornecia uma única e melhor estimativa do tempo futuro. Em contrapartida, uma previsão GenCast inclui um conjunto de 50 ou mais previsões, cada uma representando uma possível trajectória meteorológica.

O GenCast é um modelo de difusão, o tipo de modelo generativo de IA que está na base dos recentes e rápidos avanços na geração de imagens, vídeos e música. No entanto, o GenCast difere destes, na medida em que está adaptado à geometria esférica da Terra e aprende a gerar com exatidão a complexa distribuição de probabilidades de cenários meteorológicos futuros quando recebe como entrada o estado meteorológico mais recente.

Para treinar o GenCast, forneceu quatro décadas de dados meteorológicos históricos do arquivo ERA5 do ECMWF. Estes dados incluem variáveis como a temperatura, a velocidade do vento e a pressão a várias altitudes. O modelo aprendeu padrões meteorológicos globais, com uma resolução de 0,25°, directamente a partir destes dados meteorológicos processados.

Estabelecer um novo padrão para a previsão meteorológica
Para avaliar rigorosamente o desempenho do GenCast, foi treinado com dados meteorológicos históricos até 2018 e testado com dados de 2019. O GenCast mostrou melhor capacidade de previsão do que o ENS do ECMWF, o principal sistema operacional de previsão de conjuntos do qual muitas decisões nacionais e locais dependem todos os dias.

Testámos exaustivamente ambos os sistemas, analisando as previsões de diferentes variáveis em diferentes prazos de entrega – 1320 combinações no total. O GenCast foi mais exacto do que o ENS em 97,2% destes objectivos, e em 99,8% em prazos superiores a 36 horas.