O modelo de aprendizagem automática da Google DeepMind, o GraphCast, superou os métodos tradicionais de previsão meteorológica por uma certa distância nos primeiros testes.
Prever o tempo com exatidão é uma tarefa difícil que se torna exponencialmente complexa quanto maior for o número de dias no futuro que quisermos prever.
É por esta razão que as organizações meteorológicas recorrem aos supercomputadores mais potentes do mundo para processar os complexos algoritmos de previsão que nos dizem se vai ou não chover amanhã.
O modelo Integrated Forecasting System (IFS) que o Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF) utiliza é considerado o modelo meteorológico europeu mais preciso. E a GraphCast acaba de superá-lo de longe.
GraphCast foi capaz de prever o tempo com 10 dias de antecedência mais rapidamente e com maior precisão do que o ECMWF em mais de 90% de 1.380 objectivos de verificação.
Saber se deve levar o guarda-chuva para o trabalho é útil, mas é na previsão exacta de fenómenos meteorológicos extremos que o GraphCast pode ter um impacto significativo.
Em setembro, quando faltavam 9 dias para a passagem do furacão Lee, os gabinetes de meteorologia estavam a trabalhar arduamente para prever qual a cidade que iria sofrer o impacto da tempestade.
O modelo IFS apresentou uma previsão aproximada de que o furacão atingiria algumas cidades do nordeste ou possivelmente não as atingiria por completo. Entretanto, o GraphCast previu que o furacão Lee atingiria a Nova Escócia.
Só três dias mais tarde é que o IFS chegou à mesma conclusão, que acabou por se revelar correcta. Imagine-se a melhoria na afetação de recursos e nos serviços de emergência que seriam possíveis com mais 3 dias.
Pushmeet Kohli, vice-presidente de investigação da Google DeepMind, afirmou: "A previsão meteorológica é um dos problemas mais difíceis com que a humanidade tem vindo a trabalhar desde há muito, muito tempo. E se olharmos para o que aconteceu nos últimos anos com as alterações climáticas, este é um problema incrivelmente importante".
Apresentação do GraphCast: o nosso modelo de IA de última geração que fornece previsões meteorológicas para 10 dias com uma precisão sem precedentes em menos de um minuto. 🌦️
Pode mesmo ajudar a prever as trajectórias potenciais dos ciclones num futuro mais longínquo.
Eis como funciona. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 de novembro de 2023
Como é que funciona?
Os modelos tradicionais como o IFS utilizam a "previsão numérica do tempo" (NWP). Isto envolve a recolha de grandes quantidades de dados de sensores meteorológicos que são depois introduzidos em equações complexas que os supercomputadores processam.
As equações são ajustadas por equipas de peritos e têm-se tornado cada vez mais precisas, mas continuam a exigir muito poder de processamento informático e demoram muito tempo a chegar a uma previsão.
O NWP está essencialmente a tentar utilizar algoritmos para modelar o funcionamento da atmosfera e prever o que vai acontecer a seguir.
O que o GraphCast faz é muito mais simples, mas não pode ser feito por equações tradicionais.
O modelo GraphCast utiliza a previsão meteorológica baseada na aprendizagem automática (MLWP) e é treinado com base em cerca de 50 anos de dados meteorológicos históricos.
Em seguida, pega nesses dados e, em vez de criar um modelo da nossa atmosfera, procura padrões nos dados. Um modelo de IA é excelente para encontrar padrões subtis que são impossíveis de detetar por equações fixas.
Basicamente, o GraphCast analisa os dados meteorológicos actuais e diz: "Da última vez que vi estas condições, o que aconteceu a seguir foi..." e depois faz uma previsão.
O nível de detalhe, ou resolução, das previsões da GraphCast não é tão bom quanto os modelos tradicionais, mas é muito mais preciso e muito mais rápido.
Enquanto um supercomputador teria de analisar os dados meteorológicos durante horas para fazer uma previsão, o GraphCast pode produzir um resultado em menos de um minuto numa única máquina Google TPU v4.
O MLWP depende fortemente dos dados históricos produzidos pelos modelos NWP tradicionais, pelo que ainda não os substituirá.
No entanto, a utilização de uma ferramenta como a GraphCast em conjunto com os métodos actuais ajudará a prever fenómenos meteorológicos extremos com maior rapidez e precisão.
A Google DeepMind está a tornar o GraphCast open source e já está a ser utilizado pelo ECMWF.
