WeatherNext 3: a aposta da Google para prever o tempo sem equações

A Google e a DeepMind decidiram dar um passo que os centros meteorológicos nacionais não se podem dar ao luxo de arriscar: com o WeatherNext 3, mandam as simulações físicas para segundo plano e ensinam um modelo de IA a ler o tempo quase diretamente dos satélites.

Até aqui, até o próprio WeatherNext 2 dependia de modelos de previsão numérica do tempo (NWP, Numerical Weather Prediction). São aqueles códigos gigantes que resolvem equações de física da atmosfera em supercomputadores, em grelhas de dezenas de quilómetros, com um atraso típico de seis horas. Isso é ouro para previsão clássica, mas péssimo para variáveis que mudam depressa, como chuva intensa de verão ou subidas rápidas de temperatura.

O WeatherNext 3 troca esse pipeline pesado por dados de satélite geoestacionário quase em tempo real. Em vez de partir das equações, olha para o que os satélites estão a ver e aprende relações estatísticas entre imagens, sensores e o que realmente acontece à superfície. O resultado: previsões atualizadas de hora a hora, com resolução de 5 km para temperatura e humidade, 10 km para outras variáveis de superfície e 25 km para valores atmosféricos como vento em altitude. São cinco vezes mais detalhe do que o WeatherNext 2, que trabalhava numa grelha de 25 km e passos de seis horas.

Esse salto de resolução não é detalhe académico. A 25 km de grelha, a Serra da Estrela, o Gerês ou a cordilheira Cantábrica são quase borrões num mapa. A 5 km, vales, serras e linhas de costa começam a aparecer com forma reconhecível e isso muda totalmente o tipo de fenómenos que se consegue apanhar: nevoeiros costeiros, aguaceiros alinhados com vales, diferenças fortes entre litoral e interior. A Google reforça isto ao treinar também com dados de estações meteorológicas no solo, para ajustar o modelo às condições reais em pontos específicos, algo que interessa tanto a quem gere uma barragem como a quem só quer saber se leva guarda-chuva para o trabalho.

Onde a jogada da Google cheira mais a disrupção do que a curiosidade de laboratório é na precipitação. Chuva e neve são historicamente o calcanhar de Aquiles dos modelos globais, porque dependem de processos de nuvem em escalas muito pequenas. O WeatherNext 3 foi treinado em dois conjuntos de dados exigentes: o IMERG da NASA, que combina medições de satélites, e a própria análise global de precipitação da Google, construída com radar de satélite. Em métricas probabilísticas como o Continuous Ranked Probability Score, a empresa fala em ganhos até 60 % face ao IMERG, 30 % face a outro sistema de referência (MRMS) e 10 % acima de medições de pluviómetros em horizontes curtos. Mesmo que se corte este marketing pela metade, é um avanço relevante.

Depois há o lado menos romântico, mas mais económico: dados afinados para energias renováveis. O modelo estima velocidades de vento a 100 m de altura, que é basicamente a zona das pás dos aerogeradores modernos, e gera previsões mais precisas de nebulosidade e radiação solar para centrais fotovoltaicas. Isto permite que operadores de rede antecipem melhor a produção de eólica e solar, algo crítico em países como Portugal e Espanha, onde a renovável já pesa bastante na mistura energética. No limite, um modelo destes pode ter mais impacto na conta de eletricidade do que na app do tempo que usas todos os dias, seja ela da Google, de um smartwatch com widgets de meteorologia ou de um instituto nacional.

A Google está a integrar o WeatherNext 3 em Pesquisa, Maps e Gemini, e abre os dados hora a hora através do BigQuery, Earth Engine e Google Cloud Storage para investigadores e empresas. O detalhe que falta, por enquanto, é transparência sobre limitações regionais e enviesamentos, num modelo treinado sobretudo com dados de satélite e análises globais. A empresa sublinha que regiões tradicionalmente mal servidas, como partes da América Latina e de África, devem beneficiar por não dependerem de modelos regionais caros em computação, mas isso precisa de validação independente séria, não de mais gráficos bonitos em apresentações. A física não desapareceu, apenas foi empurrada para baixo da pilha de abstração. E quando o modelo começar a falhar em situações-limite, convém que quem gere redes elétricas e avisos de tempestade saiba exatamente até onde pode confiar nesta nova caixa negra.

Fonte: The Decoder