O laboratório de inteligência artificial Google DeepMind, com sede em Londres, desenvolveu um sistema que, segundo os autores do projeto, produz as previsões meteorológicas mais precisas do mundo para dez dias. O modelo se chama GraphCast – funciona com mais rapidez e precisão do que o simulador meteorológico HRES (High-Resolution Forecast), considerado o padrão da indústria.
Fonte da imagem: deepmind.google
Os dados do GraphCast foram analisados por especialistas do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), a organização intergovernamental que compila o HRES. A versão atual do GraphCast está disponível no site do ECMWF. Em setembro, previu que o furacão Lee atingiria a costa da Nova Escócia, no Canadá, com nove dias de antecedência, enquanto as ferramentas tradicionais de previsão só o previam com seis dias de antecedência. Além disso, revelaram-se menos precisos em termos de hora e local de chegada.
O GraphCast pode identificar eventos climáticos perigosos, mesmo sem ser treinado para encontrá-los. Com a integração de um rastreador de ciclone simples, o modelo prevê o movimento do ciclone com mais precisão do que o método HRES. Com o clima a tornar-se cada vez mais imprevisível, previsões oportunas e precisas serão fundamentais no planeamento para lidar com a ameaça de catástrofes naturais.
Os métodos tradicionais de previsão do tempo dependem de equações físicas complexas que são traduzidas em algoritmos processados por supercomputadores. Este é um processo meticuloso que requer conhecimentos especiais e enormes recursos computacionais. O modelo GraphCast combina algoritmos de aprendizado de máquina e redes neurais gráficas, uma arquitetura para processamento de dados estruturados espacialmente. Para estudar as relações de causa e efeito, o sistema foi treinado com base numa série de informações meteorológicas ao longo de 40 anos: o ECMWF forneceu dados de monitorização de satélites, radares e estações meteorológicas. O algoritmo, no entanto, não negligencia as abordagens tradicionais: quando são encontradas lacunas nas observações, estas são preenchidas através de métodos físicos de previsão.
Fonte da imagem: charts.ecmwf.int
GraphCast produz previsões com resolução de 0,25° de latitude e longitude. Ou seja, a Terra está dividida em um milhão de áreas, cada uma das quais produz uma previsão com cinco variáveis da superfície terrestre e seis indicadores atmosféricos que cobrem a atmosfera do planeta em três dimensões em 37 níveis. As variáveis incluem temperatura, vento, umidade, precipitação e pressão ao nível do mar. O geopotencial também é levado em consideração – energia potencial gravitacional por unidade de massa em um ponto especificado em relação ao nível do mar. Nos testes, o modelo GraphCast superou os sistemas determinísticos mais precisos em 90% em 1.380 objetos de teste. Na troposfera, a camada inferior da atmosfera, as previsões do GraphCast foram mais precisas do que o HRES para 99,7% das variáveis de teste. Ao mesmo tempo, o modelo demonstra alta eficiência: uma previsão de dez dias é concluída em menos de um minuto em uma máquina Google TPU v4, enquanto a abordagem tradicional requer várias horas de trabalho de supercomputador com centenas de máquinas.
Apesar dos resultados impressionantes, o desenvolvimento do GraphCast ainda não está completo: o modelo estima com bastante precisão o movimento dos ciclones, mas ainda é inferior aos métodos tradicionais na compilação de suas características. É possível que o modelo seja aprimorado em outros aspectos, o que só aumentará sua precisão. O Google DeepMind convida todos a participarem do projeto – o desenvolvedor publicou o código-fonte do modelo.