O WeatherNext do Google DeepMind prevê simultaneamente trajetória e intensidade de ciclones
Google/DeepMind
Google DeepMind
European Centre for Medium-Range Weather Forecasts
National Oceanic and Atmospheric Administration
O Google DeepMind apresentou o WeatherNext Cyclones (WN-C), um sistema de inteligência artificial que prevê trajetórias e intensidades de ciclones tropicais com mais precisão do que modelos especializados, olhando cerca de um dia mais adiante no futuro. Apesar de usar dados com células de grade aproximadamente 100 vezes mais grosseiras, ele supera os modelos existentes. A abordagem utiliza Redes Generativas Funcionais e foi desenvolvida em parceria com o National Hurricane Center e outros colaboradores.
O WeatherNext Cyclones (WN-C) do Google DeepMind é um sistema de IA para previsão de ciclones tropicais que pode prever cerca de um dia a mais do que os principais modelos operacionais. Desenvolvido em colaboração com o Centro Nacional de Furacões (NHC), o Instituto Cooperativo para Pesquisa em Atmosfera e o Serviço Meteorológico do Reino Unido, ele opera ao vivo no Weather Lab do Google desde junho de 2025. Para uma previsão de cinco dias, o erro médio de posição é de 230 quilômetros, em comparação com 370 do conjunto (ENS) do ECMWF e 335 do modelo GenCast anterior do DeepMind. Para previsões de intensidade de três dias, o WN-C é 3,75 nós mais preciso que o HAFS da NOAA. Apesar de usar uma grade onde cada ponto cobre cerca de 28 quilômetros quadrados, aproximadamente 100 vezes mais grosseira que modelos regionais especializados, o sistema apresenta melhor desempenho, levando os pesquisadores a concluir que alta resolução não é estritamente necessária para previsões de intensidade de última geração. O modelo usa Redes Generativas Funcionais (FGN) em vez de difusão, tornando-o oito vezes mais rápido. Foi treinado com quase 20 terabytes de dados atmosféricos globais e um banco de dados curado com cerca de 5.000 ciclones históricos. O sistema pode gerar 1.000 cenários de previsão paralelos por tempestade, ajudando a capturar eventos extremos raros. Embora o WN-C melhore as previsões de trajetória em 28% quando combinado com modelos de consenso, ele adiciona apenas cerca de 6% de melhoria para intensidade, indicando que modelos clássicos ainda contribuem significativamente. O DeepMind disponibilizou gratuitamente o código e os pesos do WeatherNext 2 e do WN-C no GitHub, e uma versão mini pode ser executada em um notebook Colab gratuito. No entanto, os autores enfatizam que os serviços meteorológicos nacionais continuam sendo a autoridade para avisos oficiais.
Fonte: The Decoder (DE) —
original
