Um modelo de computador que combina tecnologia tradicional de previsão do tempo com aprendizado de máquina superou outras ferramentas baseadas em inteligência artificial (IA) Previsão de cenários meteorológicos e tendências climáticas de longo prazo excedido.

A ferramenta, lançada em 22 de julho emNaturezafoi descrito 1, é o primeiro modelo de aprendizado de máquina a gerar previsões meteorológicas precisas em conjunto – aquelas que representam uma variedade de cenários. O seu desenvolvimento abre a porta a previsões que são mais rápidas e menos intensivas em energia do que as ferramentas existentes e mais detalhadas do que as abordagens baseadas exclusivamente em IA.

"Os modelos climáticos tradicionais têm de ser executados em supercomputadores. Este é um modelo que pode ser executado em minutos", diz o coautor do estudo Stephan Hoyer, que estuda aprendizagem profunda no Google Research em Mountain View, Califórnia.

Os actuais sistemas de previsão baseiam-se normalmente em modelos de circulação geral (GCM), programas que se baseiam nas leis da física para simular processos nos oceanos e na atmosfera da Terra e prever como podem afectar o tempo e o clima. No entanto, os GCMs exigem muito poder computacional e os avanços no aprendizado de máquina oferecem uma alternativa mais eficiente. “Temos terabytes ou petabytes (um milhão de vezes maiores que um gigabyte) de dados meteorológicos históricos”, diz Hoyer. “Aprendendo com esses padrões, podemos construir modelos melhores.”

Já existem alguns modelos de previsão de aprendizado de máquina, como o Pangu-Weather, criado pelo conglomerado de tecnologia Huawei, com sede em Shenzhen, China, e GraphCast por DeepMind com sede em Londres. Esses modelos têm níveis de precisão semelhantes aos GCMs típicos para previsões determinísticas – uma abordagem que gera uma única previsão meteorológica. No entanto, os GCMs não são tão fiáveis ​​para previsões conjuntas ou previsões climáticas a longo prazo.

“O problema com abordagens puras de aprendizado de máquina é que você só treina com base em dados que já viu”, diz Scott Hosking, que conduz pesquisas sobre IA e dados ambientais em institutos em Londres. "O clima está em constante mudança, estamos a caminhar para o desconhecido, por isso os nossos modelos de aprendizagem automática precisam de extrapolar para este futuro desconhecido. Ao incorporar a física no modelo, podemos garantir que os nossos modelos são fisicamente limitados e não podem fazer nada irrealista."

Modelo híbrido

Hoyer e sua equipe desenvolveram e treinaram o NeuralGCM, um modelo que “combina aspectos de um método tradicional de resolução atmosférica baseado na física com alguns componentes de IA”, diz Hoyer. Eles usaram o modelo para produzir previsões meteorológicas e projeções climáticas de curto e longo prazo. Para avaliar a precisão do NeuralGCM, os pesquisadores compararam suas previsões com dados do mundo real, bem como com os resultados de outros modelos, incluindo GCMs e aqueles baseados puramente em aprendizado de máquina.

Assim como os modelos atuais de aprendizado de máquina, o NeuralGCM pode produzir previsões meteorológicas precisas e determinísticas de curto prazo – com um a três dias de antecedência – enquanto usa uma fração da energia exigida pelos GCMs. No entanto, cometeu muito menos erros do que outros modelos de aprendizagem automática ao produzir previsões de longo prazo além de sete dias. Na verdade, as previsões de longo prazo do NeuralGCM eram semelhantes às previsões do modelo conjunto do Centro Europeu de Previsão Meteorológica de Médio Prazo (ECMWF-ENS), um GCM amplamente considerado o padrão ouro para previsão do tempo.

A equipe também testou até que ponto o modelo poderia prever vários fenômenos climáticos, como ciclones tropicais. Eles descobriram que muitos dos modelos puros de aprendizado de máquina produziram previsões inconsistentes e imprecisas em comparação com NeuralGCM e ECMWF-ENS. Os pesquisadores até compararam o NeuralGCM com modelos climáticos de alta resolução conhecidos como modelos globais de resolução de tempestades. O NeuralGCM foi capaz de produzir números e trajetórias de ciclones tropicais mais realistas em um tempo mais curto.

A capacidade de prever tais eventos é “muito importante para melhorar as competências de tomada de decisão e estratégias de preparação”, diz Hosking.

Hoyer e seus colegas desejam refinar e adaptar ainda mais o NeuralGCM. “Temos trabalhado no componente atmosférico da modelagem do sistema terrestre... É talvez a parte que impacta mais diretamente o clima diário”, diz Hoyer. Ele acrescenta que a equipe gostaria de incorporar mais aspectos das ciências da terra em versões futuras para melhorar ainda mais a precisão do modelo.