Em um mundo onde o impacto do clima é sentido diariamente, previsões do tempo acuradas e rápidas são consideradas cruciais. Esta tarefa é um dos projetos científicos mais antigos e desafiadores. Os modelos que tratam do problema geralmente aplicam a chamada Previsão Numérica do Tempo (NWP, numerical weather prediction), que depende de equações físicas bem definidas, as quais são traduzidas em algoritmos que rodam em supercomputadores. Apesar desta abordagem ter alcançado relativo sucesso, seu desenvolvimento é lento e depende de expertise profunda, além de recursos computacionais onerosos.
Num avanço significativo, pesquisadores do DeepMind (Google) apresentaram o modelo de IA GraphCast, destacado em um artigo publicado na revista Science na semana passada. O GraphCast se destaca ao fornecer previsões meteorológicas de médio alcance com uma precisão sem precedentes, superando o padrão ouro da indústria – o sistema Previsão de Alta Resolução (HRES, High-Resolution Forecast) do Centro Europeu para Previsões Meteorológicas de Médio Prazo (ECMWF). As previsões do modelo, estendendo-se até 10 dias no futuro, são mais rápidas e precisas, oferecendo alertas precoces para eventos climáticos extremos, como ciclones, rios atmosféricos e temperaturas extremas.
A abordagem do GraphCast combina aprendizado profundo com métodos tradicionais de NWP. Treinado em décadas de dados históricos de clima, o modelo utiliza Redes Neurais Gráficas (GNNs) para processar dados espacialmente estruturados, operando em uma impressionante resolução de 0,25 graus de longitude/latitude. Para cada ponto nessa malha gigantesca, o modelo prediz cinco variáveis de relevo, incluindo temperatura, velocidade e direção do vento, e pressão, e seis variáveis atmosféricas em 37 níveis de altitude, incluindo umidade específica, velocidade e direção do vento, e temperatura. A eficiência do modelo é evidente, pois produz previsões de 10 dias em menos de um minuto em uma única máquina Google TPU v4, uma melhoria notável em comparação com métodos convencionais que exigem horas de computação em supercomputadores.
Uma avaliação abrangente de desempenho em comparação com o padrão da indústria HRES demonstra a superioridade do GraphCast, fornecendo previsões mais precisas em mais de 90% das variáveis de teste e tempos de previsão. Na região crucial da troposfera, onde as previsões são mais importantes, o GraphCast superou o HRES em impressionantes 99,7% das variáveis de teste para o clima futuro. Notavelmente, o modelo se destaca na identificação precoce de eventos climáticos graves em relação aos modelos tradicionais de previsão, mostrando seu potencial para o gerenciamento proativo de desastres.
Comprometida com a democratização da previsão do tempo, a equipe do GraphCast disponibilizou o código do modelo, possibilitando acessibilidade global para cientistas e meteorologistas. O ECMWF já implementou o GraphCast em experimentos ao vivo em seu site, marcando um passo rumo à revolução da previsão do tempo em todo o mundo. O GraphCast, junto com outros sistemas de previsão do tempo de última geração, incluindo aqueles do Google DeepMind e do Google Research, representa a vanguarda do papel da IA na formação do futuro da meteorologia. Além da conveniência diária, o impacto global da previsão do tempo impulsionada por IA promete enfrentar desafios ambientais mais amplos em nosso clima em constante mudança.
