Google DeepMind apresenta WeatherNext 3, modelo de IA que aprende diretamente com estações meteorológicas para gerar previsões globais de 5 km atualizadas a cada hora
A Google DeepMind e o Google Research divulgaram o WeatherNext 3, uma nova geração de modelos de inteligência artificial voltados à previsão do tempo. A proposta ataca dois gargalos que persistiam há três anos no uso de IA para meteorologia: a resolução ainda grosseira diante de relevos locais e a dependência de análises defasadas em cerca de seis horas, típicas dos sistemas tradicionais de previsão numérica do tempo, conhecidos como NWP.
A principal mudança está na entrada de dados. Em vez de depender exclusivamente de reanálise numérica, o WeatherNext 3 consome um mosaico global ao vivo de satélites geoestacionários como insumo direto do modelo e se reinicializa a cada hora. O sistema produz previsões com resolução de até 0,05 grau, o equivalente a aproximadamente 5 quilômetros no equador, e é treinado a partir de medições brutas de estações meteorológicas, em vez de grades de reanálise que tendem a suavizar variações locais.
Segundo avaliações independentes em tempo real conduzidas pela Brightband e citadas pela própria Google, o WeatherNext 3 é considerado o modelo global de previsão do tempo mais preciso até o momento. O acesso aos dados de previsão já está disponível por meio do BigQuery, do Earth Engine e do Cloud Storage, mediante solicitação em uma lista de permissões. Os pesos do modelo, no entanto, não são abertos, e a inferência personalizada sob demanda ainda utiliza a versão anterior, o WeatherNext 2.
Em termos de arquitetura, o WeatherNext 3 é um mesh transformer baseado em Functional Generative Network (FGN), a mesma família probabilística introduzida com o WeatherNext 2, agora escalada para produzir saídas em múltiplas resoluções. As entradas combinam o mosaico de satélites geoestacionários com a análise HRES do ECMWF, o centro europeu de previsão de médio prazo. O treinamento utiliza dados do ERA5/HRES-fc0, do IMERG da NASA, observações de estações e mosaicos de satélite.
A grande maioria dos modelos de IA voltados à meteorologia aprende a partir de reanálises numéricas, processo que suaviza justamente as variações que montanhas, vales e litorais produzem na atmosfera real. O WeatherNext 3 adotou uma abordagem diferente ao criar cabeças de observação dedicadas, treinadas diretamente sobre medições brutas de estações. Com isso, as saídas de temperatura e ponto de orvalho a 2 metros em 0,05 grau passam a ser calibradas pelo que os instrumentos efetivamente registram, e não pela representação interna de um modelo atmosférico.
Em uma única passagem de inferência, o modelo entrega três camadas de saída. A primeira, em 0,05 grau, cobre temperatura e ponto de orvalho calibrados por estações. A segunda, em 0,1 grau, equivalente a cerca de 10 quilômetros, reúne vento de superfície a 10 e 100 metros, pressão, temperatura da superfície do mar, camadas de nuvens, radiação solar e precipitação em janela de uma hora. A terceira camada, em 0,25 grau, oferece campos atmosféricos em 13 níveis de pressão. O WeatherNext 2, por comparação, entregava campos em 0,25 grau em incrementos de seis horas, o que explica a afirmação da Google de um ganho aproximado de cinco vezes em resolução para variáveis-chave.
A cadência também foi reformulada. O modelo é inicializado 24 vezes por dia. Os ciclos sinóticos das 00, 06, 12 e 18 UTC rodam por até 15 dias, com 360 horas de horizonte e 64 membros de ensemble, que são variações estatísticas da previsão usadas para estimar incerteza. As execuções horárias intermediárias cobrem 48 horas. Para sistemas convectivos que se desenvolvem rapidamente, uma atualização horária ancorada em observações de satélite recentes representa uma diferença relevante em relação ao ciclo de seis horas atrelado a análises defasadas.
A precipitação é historicamente um dos pontos fracos dos modelos globais, que costumam gerar campos borrados e perdem os contornos das tempestades. O WeatherNext 3 treinou contra três fontes distintas de precipitação: a reanálise do ECMWF, as estimativas do satélite IMERG da NASA e uma reanálise própria da Google baseada em satélite e radar. A empresa relata ganhos de até 60 por cento em CRPS, uma métrica que mede a qualidade de previsões probabilísticas, em relação ao IMERG nos prazos iniciais, 30 por cento em relação ao MRMS e 10 por cento em relação a pluviômetros. A pesquisa também menciona redução de até 50 por cento no Brier score, que avalia a acurácia de previsões de eventos como chuva ou ausência de chuva, e no CRPS frente a baselines de NWP quando avaliado contra o IMERG.
Para o setor de energia limpa, o modelo oferece variáveis especialmente úteis. São elas: vento a 100 metros de altura, valor próximo ao eixo de aerogeradores, distribuições completas de nuvens baixas, médias e altas, e ambas as componentes da irradiância solar, denominadas SSRD e FDIR. Essa combinação é justamente o que operadores de rede utilizam para estimar geração eólica e solar em relação à demanda, o que indica que o lançamento mira compradores operacionais e não apenas tabelas comparativas de benchmarks.
Na prática, o WeatherNext 3 marca uma inflexão ao aproximar a previsão por IA da realidade física captada por sensores em terra, reduzindo o intervalo entre observação e previsão e ampliando a resolução espacial. O modelo está parcialmente disponível, com dados abertos mediante solicitação, mas os pesos continuam fechados e a inferência personalizada segue restrita à geração anterior. Ainda assim, a arquitetura abre caminho para usos operacionais em energia, agricultura e gestão de riscos climáticos, à medida que novos ciclos de retreinamento e validação ocorram.
