A previsão de ciclones pode ganhar até 24 horas adicionais de antecedência com o WeatherNext, modelo do Google que manteve precisão elevada em projeções para três dias.
Os avanços recentes da inteligência artificial passaram a alterar uma atividade historicamente sustentada por modelos físicos complexos e grandes estruturas de processamento computacional. Uma pesquisa divulgada pela revista Nature acrescenta novas evidências sobre essa transformação ao analisar uma tecnologia capaz de oferecer resultados relevantes na antecipação de ciclones tropicais.
WeatherNext melhora alcance das projeções meteorológicas
A possibilidade de antecipar com maior precisão a trajetória de ciclones ganhou um novo impulso com resultados obtidos por uma ferramenta de inteligência artificial criada pelo Google.
O WeatherNext conseguiu manter, em projeções para três dias, um nível de precisão que referências anteriores alcançavam com apenas dois dias de horizonte, conforme pesquisa divulgada pela Nature.
Essa diferença pode ampliar em aproximadamente 24 horas o intervalo disponível para emissão de avisos, planejamento de respostas e preparação de áreas expostas a furacões ou tufões.
O resultado também reforça uma mudança relevante na meteorologia, área que passa a incorporar sistemas capazes de explorar grandes bases históricas sem depender exclusivamente das simulações físicas tradicionais.
Duas lógicas distintas de previsão
Os métodos clássicos de meteorologia dependem de equações físicas sofisticadas que reproduzem processos atmosféricos e relacionam fatores como temperatura, pressão e umidade por meio de cálculos computacionais de elevada complexidade.
Esse tipo de previsão exige infraestrutura tecnológica de grande capacidade, pois a quantidade de operações necessárias para representar a evolução da atmosfera costuma exigir supercomputadores dedicados a tarefas meteorológicas.
A inteligência artificial adota um caminho diferente, no qual grandes conjuntos de dados históricos servem como referência para reconhecer relações recorrentes entre condições atmosféricas registradas em diversos períodos.
A partir dessas referências, os modelos conseguem projetar possíveis mudanças no clima sem executar todas as etapas matemáticas presentes nas simulações físicas convencionais, característica que reduz custos computacionais e acelera a obtenção dos resultados.
Estudos recentes indicam que ferramentas desse tipo já apresentam desempenho próximo ao dos modelos físicos em diversos intervalos de previsão, além de resultados especialmente competitivos nos períodos mais distantes da data inicial.
Apesar dos avanços tecnológicos, os sistemas baseados em inteligência artificial ainda não substituem integralmente as abordagens físicas, pois cada método apresenta vantagens diferentes conforme o fenômeno meteorológico, o prazo analisado e as condições disponíveis para a previsão.