O Google DeepMind apresenta o WeatherNext 3: Previsões globais horárias com resolução de 5 km

Os modelos de previsão do tempo baseados em IA levaram três anos para alcançar os métodos de previsão física, mas dois problemas permaneciam sem solução: a resolução grosseira e a incapacidade de capturar a topografia local; além da inicialização, que fica cerca de 6 horas atrasada em relação à análise de previsão numérica do tempo (NWP). O WeatherNext 3, lançado conjuntamente pela Google DeepMind e pela Google Research, aborda diretamente esses dois pontos.

Treinamento direto em medições de estações meteorológicas, deixando de observar apenas grades de reanálise

O WeatherNext 3 utiliza mosaicos globais de satélites geoestacionários em tempo real como entrada direta do modelo, sendo reinitializado a cada hora, e produz uma resolução máxima de 0,05° (cerca de 5 quilômetros). Ele é treinado com dados de observação originais de estações meteorológicas, em vez de depender apenas de grades de reanálise. De acordo com a Google AI, avaliações independentes em tempo real do Brightband classificaram-no como o modelo de previsão do tempo global mais preciso até o momento.

Arquitetonicamente, o WeatherNext 3 é um Transformer de grade baseado em geração de funções (FGN) e pertence à mesma família de modelos probabilísticos do WeatherNext 2, mas foi estendido para produzir saídas em múltiplas resoluções. As entradas incluem mosaicos de satélites geoestacionários em tempo real e a análise do ECMWF HRES. Os dados de treinamento incluem ERA5/HRES-fc0, o IMERG da NASA, observações de estações e mosaicos de satélites.

A maioria dos modelos de previsão por IA aprende a partir de dados de reanálise da NWP, o que pode suavizar as diferenças locais causadas por linhas costeiras, vales e montanhas. O WeatherNext 3, no entanto, é treinado diretamente em dados de medição de estações originais, utilizando uma cabeça de observação dedicada, que calibra suas saídas de temperatura e ponto de orvalho a 0,05° para corresponder às leituras reais dos instrumentos.

Atualizações horárias e melhorias significativas nas variáveis de precipitação e energia renovável

Uma única inferência direta pode produzir três níveis de resultados: temperatura e ponto de orvalho a 2 metros com resolução de 0,05° (cerca de 5 km) para modelos treinados em estações; vento na superfície a 10 e 100 metros, pressão, temperatura da superfície do mar, cobertura de nuvens, radiação solar e precipitação em 1 hora com resolução de 0,1° (cerca de 10 km); e um campo atmosférico com resolução de 0,25° (cerca de 25 km) que abrange 13 camadas de pressão. Em comparação, o WeatherNext 2 gera um campo a 0,25° a cada 6 horas, o que justifica a afirmação de "melhoria de cinco vezes na clareza".

A frequência de atualização é outra grande mudança: o modelo é inicializado 24 vezes por dia. Quatro ciclos de previsão às 00, 06, 12 e 18 UTC podem prever até 15 dias (360 horas) com 64 membros de ensemble, enquanto as execuções horárias restantes cobrem 48 horas. Para o desenvolvimento rápido de clima convectivo, a atualização horária baseada em observações atuais de satélites faz uma diferença substancial em comparação com o ciclo de 6 horas de análises defasadas.

A precipitação sempre foi uma fraqueza dos modelos globais, com saídas frequentemente borradas e incapazes de capturar os limites das tempestades. O WeatherNext 3 é treinado usando três fontes de dados: reanálise do ECMWF, inversão por satélite do IMERG da NASA e reanálise de precipitação por radar de satélite própria do Google. A Google afirma que, em previsões de curto prazo, seu CRPS melhora até 60% em relação à linha de base (comparado ao IMERG), 30% (comparado ao MRMS) e 10% (comparado a pluviômetros); estudos também mostram que, quando avaliados contra o IMERG, as pontuações Brier e CRPS são reduzidas em até 50% em comparação com a linha de base da NWP.

Para energia renovável, o modelo fornece a velocidade do vento a 100 metros na altura dos cubos das turbinas, a distribuição completa de nuvens baixas, médias e altas, e dois componentes da irradiação solar — SSRD e FDIR — que são exatamente a combinação necessária pelos operadores de rede elétrica para prever a produção eólica e solar.

Atualmente, os dados de previsão podem ser solicitados através do BigQuery, Earth Engine e Cloud Storage, mas os pesos do WeatherNext 3 não são de código aberto, e a inferência personalizada ainda utiliza o WeatherNext 2 mediante solicitação.