A previsão de fenômenos meteorológicos severos pode melhorar com recurso à Inteligência Artificial

Devido às diferentes variáveis em jogo, à previsão do estado do tempo está sempre associado um grau de incerteza, mas isso agrava-se quando se tratam de eventos meteorológicos extremos, como as chuvas intensas, ondas de calor ou os tornados.

Tornado
Especialistas e investigadores continuam a trabalhar para se conseguir prever com maior exatidão fenómenos extremos.

Atendendo à dificuldade de fornecer uma previsão com grande precisão, principalmente quando se preveem fenômenos extremos, a Google desenvolveu uma ferramenta para tentar enfrentar esse tipo de problema: um modelo de IA que pode prever catástrofes meteorológicas com maior acerto.

Google criou modelo de IA que prevê fenômenos extemos com mais precisão

A Google criou um modelo batizado de "Scalable Ensemble Envelope Diffusion Sampler" (SEEDS) que é uma nova tecnologia de Inteligência Artificial (IA) para acelerar e melhorar as previsões meteorológicas utilizando modelos de difusão.

O modelo da Google (SEEDS) permite uma redução significativa do custo computacional para gerar previsões de conjuntos e uma melhor caraterização de eventos climáticos raros ou extremos.

O SEEDS produz a previsão do tempo, utilizando um conjunto de dados obtidos por diversas agências meteorológicas, que elaboram os modelos convencionais/operacionais.

Este modelo diferencia-se assim dos modelos tradicionais de previsão pela sua rapidez e pela capacidade de analisar diversos dados e conjuntos de previsões de uma só vez.

A previsão do tempo é inerentemente incerta. Deste modo é importante refletirmos esta incerteza em termos de probabilidade de ocorrência, o que é uma componente vital da previsão meteorológica operacional.

Dado um modelo de previsão numérica do tempo, a forma padrão de quantificar esta incerteza é perturbar as condições iniciais do modelo e a sua representação dos processos físicos de pequena escala para criar um conjunto de possíveis trajetórias meteorológicas, constituído por vários membros. Assim, optem-se uma distribuição de probabilidades subjacente aos estados meteorológicos.

Essa informação sobre a probabilidade de ocorrência de uma determinada situação meteorológica, prevista pelos chamados modelos operacionais, é uma mais valia para o utilizador da previsão.

A quantificação da incerteza de ocorrência é crucial para a tomada de decisões. Deste modo deverá ser sempre utilizada a previsão probabilística na previsão numérica do tempo.

Computadores; IA
Muito se tem avançado na previsão numérica do tempo, mas estamos a entrar agora numa nova era computacional para a elaboração da previsão do tempo.

No entanto, dado o custo computacional da geração de cada membro do conjunto, os centros de previsão meteorológica só se podem dar ao luxo de gerar 10 a 50 membros para cada ciclo de previsão.

Essa limitação é particularmente problemática para os utilizadores preocupados com a probabilidade de fenómenos meteorológicos raros de grande impacto, que normalmente requerem conjuntos muito maiores para serem avaliados. Por exemplo, seria necessário um conjunto calibrado de 10.000 membros para prever a probabilidade de acontecimentos com 1% de probabilidade de ocorrência com um erro relativo inferior a 10%.

Para além de contar com o aumento da capacidade computacional disponível para gerar conjuntos maiores no futuro, é imperativo explorar abordagens mais eficientes para gerar previsões de conjuntos.

Neste contexto, os recentes avanços na Inteligência Artificial Generativa (IAG) oferecem um caminho potencial para reduções maciças no custo da previsão de conjuntos.

O SEEDS quando concebido para corrigir os enviesamentos presentes no sistema de previsão operacional, os conjuntos gerados apresentam melhores métricas de previsão probabilística. São mais fiáveis e as probabilidades de previsão de fenômenos extremos são mais realistas com maior exatidão.

Modelo do Google testado na onda de calor europeia

Embora o modelo de metodologia SEEDS esteja concentrado na previsão meteorológica, esta metodologia também pode permitir a criação de grandes conjuntos de projeções climáticas para a avaliação dos riscos climáticos.

De acordo com a Google, a abordagem generativa feita pela Google permite a criação de conjuntos muito grandes que podem caracterizar eventos muito raros, fornecendo amostras de estados meteorológicos que excedem um determinado limite, para qualquer diagnóstico definido pelo usuário.

O modelo da tecnologia SEEDs do Google foi capaz de calcular a probabilidade de tal fenómeno acontecer, com uma cobertura estatística muito melhor do evento.

O modelo foi utilizado como teste no ano passado, com a onda de calor europeia. Os resultados foram publicados no final de março deste ano, na Science Advances.

O evento observado era tão improvável, que sete dias antes, nenhum dos 31 membros do conjunto operacional conseguiu prever as temperaturas tão elevadas que ocorreram.

Isso permitiu tanto quantificar a probabilidade de o evento ocorrer como apresentar regimes climáticos nos quais este ocorreria.