Google DeepMind AI acerta previsões meteorológicas super precisas para 10 dias

Este ano foi um desfile ininterrupto de eventos climáticos extremos. Um calor sem precedentes varreu o globo. Este Verão foi o mais quente da Terra desde 1880. Desde inundações repentinas na Califórnia e tempestades de gelo no Texas até incêndios florestais devastadores em Maui e no Canadá, os eventos relacionados com o clima afetaram profundamente vidas e comunidades.

Cada segundo conta quando se trata de prever esses eventos. A IA poderia ajudar.

Esta semana, o Google DeepMind lançou uma IA que fornece previsões meteorológicas para 10 dias com precisão e velocidade sem precedentes. Chamado GraphCast, o modelo pode analisar centenas de pontos de dados relacionados ao clima para um determinado local e gerar previsões em menos de um minuto. Quando desafiada por mais de mil padrões climáticos potenciais, a IA superou os sistemas de última geração em cerca de 90% das vezes.

Mas o GraphCast não se trata apenas de criar um aplicativo meteorológico mais preciso para escolher guarda-roupas.

Embora não seja explicitamente treinada para detectar padrões climáticos extremos, a IA detectou vários eventos atmosféricos ligados a esses padrões. Em comparação com os métodos anteriores, rastreou com mais precisão as trajetórias dos ciclones e detectou rios atmosféricos – regiões vigorosas na atmosfera associadas a inundações.

O GraphCast também previu o início de temperaturas extremas bem antes dos métodos atuais. Com 2024 deverá ser ainda mais quente e o aumento dos eventos climáticos extremos, as previsões da IA ​​poderão dar às comunidades um tempo valioso para se prepararem e potencialmente salvarem vidas.

“O GraphCast é agora o sistema de previsão meteorológica global de 10 dias mais preciso do mundo e pode prever eventos climáticos extremos mais no futuro do que era possível anteriormente”, os autores escreveu em uma postagem do blog DeepMind.

Dias chuvosos

Prever padrões climáticos, mesmo com apenas uma semana de antecedência, é um problema antigo, mas extremamente desafiador. Baseamos muitas decisões nessas previsões. Alguns estão incorporados em nossa vida cotidiana: Devo pegar meu guarda-chuva hoje? Outras decisões são de vida ou morte, como quando emitir ordens de evacuação ou abrigo no local.

Nosso software de previsão atual é amplamente baseado em modelos físicos da atmosfera terrestre. Ao examinar a física dos sistemas meteorológicos, os cientistas escreveram uma série de equações a partir de décadas de dados, que são então alimentadas em supercomputadores para gerar previsões.

Um exemplo proeminente é o Sistema Integrado de Previsão do Centro Europeu de Previsões Meteorológicas a Médio Prazo. O sistema utiliza cálculos sofisticados baseados na nossa compreensão atual dos padrões climáticos para produzir previsões a cada seis horas, fornecendo ao mundo algumas das previsões meteorológicas mais precisas disponíveis.

Este sistema “e a previsão meteorológica moderna em geral são triunfos da ciência e da engenharia”, escreveu a equipe DeepMind.

Ao longo dos anos, a precisão dos métodos baseados na física melhorou rapidamente, em parte graças a computadores mais potentes. Mas eles continuam demorados e caros.

Isto não é surpreendente. O clima é um dos sistemas físicos mais complexos da Terra. Você já deve ter ouvido falar do efeito borboleta: uma borboleta bate as asas e essa pequena mudança na atmosfera altera a trajetória de um tornado. Embora seja apenas uma metáfora, ela captura a complexidade da previsão do tempo.

GraphCast adotou uma abordagem diferente. Esqueça a física, vamos encontrar padrões apenas em dados meteorológicos anteriores.

Um meteorologista de IA

GraphCast baseia-se em um tipo de rede neural que já foi usado para prever outros sistemas baseados na física, como a dinâmica de fluidos.

Tem três partes. Primeiro, o codificador mapeia informações relevantes – por exemplo, temperatura e altitude em um determinado local – em um gráfico complexo. Pense nisso como um infográfico abstrato que as máquinas podem entender facilmente.

A segunda parte é o processador que aprende a analisar e passar as informações para a parte final, o decodificador. O decodificador então traduz os resultados em um mapa de previsão do tempo do mundo real. Ao todo, o GraphCast pode prever padrões climáticos para as próximas seis horas.

Mas seis horas não são 10 dias. Aqui está o chute. A IA pode aprender com as suas próprias previsões. As previsões do GraphCast são retroalimentadas como entrada, permitindo-lhe prever progressivamente o tempo mais adiante no tempo. É um método que também é usado em sistemas tradicionais de previsão do tempo, escreveu a equipe.

O GraphCast foi treinado com base em quase quatro décadas de dados meteorológicos históricos. Adotando uma estratégia de dividir para conquistar, a equipe dividiu o planeta em pequenas áreas, aproximadamente 17 por 17 milhas no equador. Isto resultou em mais de um milhão de “pontos” cobrindo o globo.

Para cada ponto, a IA foi treinada com dados coletados em dois momentos – um atual e outro há seis horas – e incluiu dezenas de variáveis ​​da superfície e da atmosfera da Terra – como temperatura, umidade e velocidade e direção do vento em muitas altitudes diferentes.

O treinamento foi computacionalmente intensivo e levou um mês para ser concluído.

Uma vez treinada, porém, a própria IA é altamente eficiente. Ele pode produzir uma previsão de 10 dias com um único TPU em menos de um minuto. Os métodos tradicionais que utilizam supercomputadores levam horas de computação, explicou a equipe.

Ray of Light

Para testar suas habilidades, a equipe comparou o GraphCast ao atual padrão ouro para previsão do tempo.

A IA foi mais precisa em quase 90% das vezes. Destacou-se especialmente quando se baseou apenas em dados da troposfera – a camada da atmosfera mais próxima da Terra e crítica para a previsão do tempo – vencendo a concorrência em 99.7% das vezes. GraphCast também teve desempenho superior Pangu-Tempo, um modelo meteorológico concorrente de ponta que usa aprendizado de máquina.

Em seguida, a equipe testou o GraphCast em vários cenários climáticos perigosos: rastreando ciclones tropicais, detectando rios atmosféricos e prevendo calor e frio extremos. Embora não tenha sido treinada em “sinais de alerta” específicos, a IA deu o alarme mais cedo do que os modelos tradicionais.

O modelo também contou com ajuda da meteorologia clássica. Por exemplo, a equipe adicionou o software existente de rastreamento de ciclones às previsões do GraphCast. A combinação valeu a pena. Em setembro, a IA previu com sucesso a trajetória do furacão Lee ao varrer a costa leste em direção à Nova Escócia. O sistema previu com precisão a chegada da tempestade com nove dias de antecedência – três dias preciosos mais rápido do que os métodos tradicionais de previsão.

GraphCast não substituirá os modelos tradicionais baseados em física. Em vez disso, a DeepMind espera poder apoiá-los. O Centro Europeu de Previsões Meteorológicas a Médio Prazo já está experimentando o modelo para ver como isso poderia ser integrado em suas previsões. A DeepMind também está trabalhando para melhorar a capacidade da IA ​​de lidar com a incerteza – uma necessidade crítica dado o comportamento cada vez mais imprevisível do clima.

GraphCast não é o único meteorologista de IA. Os pesquisadores da DeepMind e do Google construíram anteriormente dois regional modelos que pode prever com precisão o clima de curto prazo com 90 minutos ou 24 horas de antecedência. No entanto, o GraphCast pode olhar mais adiante. Quando usada com software meteorológico padrão, a combinação pode influenciar decisões sobre emergências meteorológicas ou orientar políticas climáticas. No mínimo, poderemos nos sentir mais confiantes quanto à decisão de colocar esse guarda-chuva em ação.

“Acreditamos que isto marca um ponto de viragem na previsão do tempo”, escreveram os autores.

Crédito de imagem: Google DeepMind

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/