Ciência: as previsões meteorológicas da IA ​​superam as previsões tradicionais

O modelo preditivo baseado em aprendizado de máquina superou alguns modelos de previsão do tempo. As descobertas foram publicadas na revista Nature por pesquisadores liderados pelo Google Research. O modelo, denominado NeuralGcm, supera alguns modelos existentes de previsão do tempo e do clima e tem potencial para obter economias significativas no poder de computação em comparação com os modelos tradicionais. Os Modelos Gerais de Circulação (GCMs), que representam os processos físicos da atmosfera, dos oceanos e da terra, constituem a base para as previsões meteorológicas e climáticas. A redução da incerteza nas previsões e estimativas de longo prazo de fenómenos meteorológicos extremos é crucial para ajudar a compreender a mitigação e a adaptação às alterações climáticas. Os modelos de aprendizagem automática têm sido propostos como uma abordagem alternativa à previsão meteorológica com o benefício de custos computacionais mais baixos, mas muitas vezes não têm um desempenho tão bom como os modelos meteorológicos globais quando se trata de previsões de longo prazo. Os autores do estudo desenvolveram o modelo NeuralGcm, que combina aprendizado de máquina e métodos baseados na física, e é capaz de fornecer previsões meteorológicas de curto e médio prazo, bem como simulações climáticas ao longo de várias décadas. O modelo pode rivalizar com a precisão das previsões do Centro Europeu de Previsão Meteorológica de Médio Prazo (Ecmwt, um dos melhores modelos meteorológicos tradicionais baseados na física) para previsões de 1 a 15 dias. Para previsões com até 10 dias de antecedência, o NeuralGcm rivaliza e às vezes excede a precisão dos métodos de aprendizado de máquina existentes. NeuralGcm produz simulações climáticas com o mesmo nível de precisão que os melhores métodos de aprendizado de máquina e baseados em física. Quando os autores incluíram as temperaturas da superfície do mar nas suas previsões climáticas de 40 anos usando NeuralGCM, descobriram que os resultados produzidos pelo modelo correspondiam às tendências de aquecimento global observadas nos dados do ECMWT. O NeuralGcm também superou os modelos climáticos legados na previsão de furacões e suas trajetórias. Os investigadores concluíram que, em conjunto, estes resultados sugerem que a aprendizagem automática é uma abordagem viável para melhorar os modelos de circulação geral. (Eu venho)