IA na previsão do tempo
Os modelos meteorológicos de IA aprendem padrões atmosféricos diretamente de décadas de observações anteriores, produzindo previsões de 10 dias em segundos que rivalizam ou superam os modelos de supercomputadores baseados na física que demoravam horas para serem executados.
Visão geral
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Mergulho profundo
Durante 70 anos, a previsão do tempo significou resolver as equações da física dos fluidos em supercomputadores gigantes – um processo chamado previsão numérica do tempo (NWP). A IA inverte essa abordagem: modelos como Google GraphCast da DeepMind, Pangu-Weather da Huawei e FourCastNet da NVIDIA são treinados no conjunto de dados de reanálise ERA5, aproximadamente 40 anos de clima global horário. Eles aprendem as relações estatísticas entre a atmosfera de hoje e a de amanhã e, em seguida, fazem previsões por meio da correspondência de padrões, em vez de simular a física. O GraphCast produz uma previsão global de 10 dias com resolução de 0,25 graus em menos de um minuto em uma única TPU, em comparação com horas em um cluster de supercomputador. Em 2023, o GraphCast superou o modelo ECMWF padrão-ouro na maioria das variáveis. O Centro Europeu gere agora o seu próprio modelo operacional de IA, AIFS.
Visão Técnica
GraphCast representa o globo como um gráfico: uma malha múltipla de nós conectados em múltiplas escalas, permitindo que as informações se propaguem localmente e por longas distâncias em poucas etapas. Uma rede neural gráfica ingere o estado atmosférico atual e anterior e, em seguida, prevê o estado com 6 horas de antecedência. Para prever 10 dias, ele realimenta sua própria produção de forma autorregressiva, 40 vezes. O treinamento otimiza um erro ponderado entre níveis de pressão e variáveis como temperatura, vento e umidade.
Impacto Estratégico
Contexto e regras
O contexto da indústria determina se as ideias de IA sobrevivem ao contato com a realidade.
Controle de qualidade
As restrições de domínio influenciam as taxas de erro aceitáveis e os modelos de supervisão.
Escolhas de construção
Implantações bem-sucedidas alinham capacidade técnica com fluxos de trabalho de linha de frente.
O futuro da IA na previsão do tempo
A previsão de IA está passando da pesquisa para as operações diárias: ECMWF, UK Met Office e outros agora executam modelos de IA juntamente com a física. As próximas fronteiras incluem conjuntos baseados em difusão (GenCast) que quantificam a incerteza, modelos locais em escala de quilômetros e 'modelos de base' para a Terra que lidam juntos com o tempo, o clima e a qualidade do ar. É provável que sistemas híbridos combinem a velocidade da IA com a confiabilidade da física para extremos raros, uma vez que modelos puros baseados em dados podem subestimar eventos sem precedentes ausentes dos dados de treinamento.
Implementação no mundo real
Google GraphCast da DeepMind gerando previsões globais de 10 dias em menos de um minuto, usado para sinalizar a trajetória dos ciclones com dias de antecedência
O ECMWF executa o seu modelo operacional AIFS para complementar as suas previsões tradicionais baseadas na física para os serviços meteorológicos europeus
FourCastNet da NVIDIA produzindo rapidamente grandes conjuntos para estimar a probabilidade de eventos extremos de vento e precipitação
GenCast produzindo previsões de conjuntos probabilísticos que superam o ENS do ECMWF em 97 por cento dos alvos meteorológicos testados, melhorando a orientação da trajetória de ciclones tropicais
Riscos e guarda-corpos
Os requisitos regulamentares podem invalidar protótipos que de outra forma seriam fortes.
Os dados históricos podem codificar preconceitos que prejudicam comunidades específicas.
Os sistemas legados podem criar gargalos de integração e custos ocultos.
Roteiro de implementação
Envolva especialistas no domínio desde a formulação do problema até a avaliação.
Projete trilhas de auditoria e documentação antes do lançamento.
Valide antecipadamente as obrigações de conformidade e segurança.
Implementação em fases com critérios claros de interrupção e reversão.
Continue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Próximo guia
IA na previsão de inundações
Perguntas frequentes
What is AI in Weather Forecasting?
Os modelos meteorológicos de IA aprendem padrões atmosféricos diretamente de décadas de observações anteriores, produzindo previsões de 10 dias em segundos que rivalizam ou superam os modelos de supercomputadores baseados na física que demoravam horas para serem executados. Isso está remodelando a forma como os meteorologistas prevêem tempestades, ondas de calor e furacões.
Em qual conjunto de dados os principais modelos meteorológicos de IA, como o GraphCast, são treinados principalmente?
GraphCast e modelos semelhantes são treinados na reanálise ERA5 do ECMWF, que fornece décadas de dados atmosféricos globais consistentes por hora.
Como um modelo de IA como o GraphCast difere fundamentalmente da previsão numérica tradicional do tempo?
O NWP resolve numericamente equações de dinâmica de fluidos, enquanto a IA modela padrões que correspondem a relacionamentos aprendidos a partir de dados históricos.
Como o GraphCast produz uma previsão de 10 dias a partir de uma etapa de previsão de 6 horas?
O GraphCast prevê 6 horas à frente e, em seguida, retorna essa previsão como entrada, repetindo cerca de 40 vezes para chegar a 10 dias.
Quanto tempo aproximadamente o GraphCast leva para gerar uma previsão global de 10 dias em uma única TPU?
Uma grande vantagem da previsão de IA é a velocidade: o GraphCast é executado em menos de um minuto, em comparação com horas para o NWP de supercomputador.
Qual é a principal limitação dos modelos meteorológicos de IA puramente baseados em dados?
Como aprendem com dados históricos, os modelos de IA podem enfrentar eventos recordes que não têm precedentes em seu conjunto de treinamento.