Nosso modelo de última geração fornece previsões meteorológicas de 10 dias com precisão sem precedentes em menos de um minuto
O clima afeta a todos nós, de maneiras grandes e pequenas. Pode ditar a forma como nos vestimos de manhã, fornecer-nos energia verde e, nos piores casos, criar tempestades que podem devastar comunidades. Num mundo com condições meteorológicas cada vez mais extremas, previsões rápidas e precisas nunca foram tão importantes.
Em um artigo publicado na Science , apresentamos o GraphCast, um modelo de IA de última geração capaz de fazer previsões meteorológicas de médio prazo com uma precisão sem precedentes. O GraphCast prevê as condições meteorológicas com até 10 dias de antecedência com mais precisão e muito mais rapidez do que o sistema de simulação meteorológica padrão-ouro da indústria – a Previsão de Alta Resolução (HRES), produzida pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF).
GraphCast também pode oferecer avisos antecipados de eventos climáticos extremos. Ele pode prever as trajetórias dos ciclones com grande precisão no futuro, identificar rios atmosféricos associados ao risco de inundações e prever o início de temperaturas extremas. Esta capacidade tem o potencial de salvar vidas através de uma maior preparação.
GraphCast dá um passo significativo na AI para previsão do tempo, oferecendo previsões mais precisas e eficientes e abrindo caminhos para apoiar a tomada de decisões críticas para as necessidades de nossas indústrias e sociedades. E, ao abrir o código do modelo do GraphCast, estamos permitindo que cientistas e analistas de todo o mundo beneficiem bilhões de pessoas em suas vidas cotidianas. O GraphCast já está sendo usado por agências meteorológicas, incluindo o ECMWF, que está realizando um experimento ao vivo das previsões do nosso modelo em seu site .
A previsão do tempo é um dos empreendimentos científicos mais antigos e desafiadores. As previsões de médio prazo são importantes para apoiar a tomada de decisões importantes em todos os setores, desde as energias renováveis até à logística de eventos, mas são difíceis de realizar com precisão e eficiência.
As previsões normalmente dependem da Previsão Numérica do Tempo (NWP), que começa com equações físicas cuidadosamente definidas, que são então traduzidas em algoritmos de computador executados em supercomputadores. Embora esta abordagem tradicional tenha sido um triunfo da ciência e da engenharia, projetar equações e algoritmos é demorado e requer profundo conhecimento, bem como recursos computacionais dispendiosos para fazer previsões precisas.
O deep learning oferece uma abordagem diferente: usar dados em vez de equações físicas para criar um sistema de previsão do tempo. GraphCast é treinado em décadas de dados meteorológicos históricos para aprender um modelo das relações de causa e efeito que governam como o clima da Terra evolui, do presente para o futuro.
Crucialmente, o GraphCast e as abordagens tradicionais andam de mãos dadas: treinamos o GraphCast em quatro décadas de dados de reanálise meteorológica, do conjunto de dados ERA5 do ECMWF. Este tesouro é baseado em observações meteorológicas históricas, como imagens de satélite, radar e estações meteorológicas, usando um NWP tradicional para “preencher as lacunas” onde as observações estão incompletas, para reconstruir um rico registro do clima histórico global.
GraphCast: um modelo de AI para previsão do tempo
GraphCast é um sistema de previsão do tempo baseado em aprendizado de máquina e redes neurais de grafos (GNNs), que são uma arquitetura particularmente útil para o processamento de dados espacialmente estruturados.
GraphCast faz previsões em alta resolução de 0,25 graus de longitude/latitude (28km x 28km no equador). São mais de um milhão de pontos de grade cobrindo toda a superfície da Terra. Em cada ponto da grade, o modelo prevê cinco variáveis da superfície terrestre – incluindo temperatura, velocidade e direção do vento e pressão média ao nível do mar – e seis variáveis atmosféricas em cada um dos 37 níveis de altitude, incluindo umidade específica, velocidade e direção do vento, e temperatura.
Embora o treinamento do GraphCast tenha sido intensivo em termos computacionais, o modelo de previsão resultante é altamente eficiente. Fazer previsões de 10 dias com GraphCast leva menos de um minuto em uma única máquina Google TPU v4. Para efeito de comparação, uma previsão de 10 dias usando uma abordagem convencional, como o HRES, pode levar horas de computação em um supercomputador com centenas de máquinas.
Em uma avaliação de desempenho abrangente em relação ao sistema determinístico padrão-ouro, HRES, o GraphCast forneceu previsões mais precisas em mais de 90% de 1.380 variáveis de teste e prazos de previsão (consulte nosso artigo científico para obter detalhes). Quando limitamos a avaliação à troposfera, a região da atmosfera de 6 a 20 quilômetros de altura mais próxima da superfície da Terra, onde a previsão precisa é mais importante, nosso modelo superou o HRES em 99,7% das variáveis de teste para condições climáticas futuras.
Nossas análises revelaram que o GraphCast também pode identificar eventos climáticos severos mais cedo do que os modelos tradicionais de previsão, apesar de não ter sido treinado para procurá-los. Este é um excelente exemplo de como o GraphCast pode ajudar na preparação para salvar vidas e reduzir o impacto de tempestades e condições climáticas extremas nas comunidades.
Ao aplicar um rastreador de ciclone simples diretamente nas previsões do GraphCast, poderíamos prever o movimento do ciclone com mais precisão do que o modelo HRES. Em setembro, uma versão ao vivo do nosso modelo GraphCast disponível publicamente, implantado no site do ECMWF, previu com precisão com cerca de nove dias de antecedência que o furacão Lee atingiria a Nova Escócia. Por outro lado, as previsões tradicionais apresentavam maior variabilidade em relação a onde e quando ocorreria o desembarque e só se fixavam na Nova Escócia com cerca de seis dias de antecedência.
O GraphCast também pode caracterizar rios atmosféricos – regiões estreitas da atmosfera que transferem a maior parte do vapor d’água para fora dos trópicos. A intensidade de um rio atmosférico pode indicar se ele trará chuvas benéficas ou um dilúvio que induzirá inundações. As previsões do GraphCast podem ajudar a caracterizar rios atmosféricos, o que poderia ajudar no planejamento de respostas de emergência juntamente com modelos de IA para prever inundações.
Finalmente, prever temperaturas extremas é de importância crescente no nosso mundo em aquecimento. O GraphCast pode caracterizar quando o calor deve subir acima das temperaturas máximas históricas para qualquer local da Terra. Isto é particularmente útil para antecipar ondas de calor e eventos perturbadores e perigosos que estão a tornar-se cada vez mais comuns.
O GraphCast é agora o sistema de previsão meteorológica global de 10 dias mais preciso do mundo e pode prever eventos climáticos extremos em um futuro mais distante do que era possível anteriormente. À medida que os padrões climáticos evoluem em um clima em mudança, o GraphCast evoluirá e melhorará à medida que dados de maior qualidade se tornarem disponíveis.
Para tornar a previsão do tempo baseada em AI mais acessível, abrimos o código do nosso modelo . O ECMWF já está fazendo experiências com as previsões de 10 dias do GraphCast e estamos entusiasmados em ver as possibilidades que elas abrem para os pesquisadores – desde a adaptação do modelo para fenômenos climáticos específicos até a otimização para diferentes partes do mundo.
GraphCast se junta a outros sistemas de previsão meteorológica de última geração do Google DeepMind e Google Research, incluindo um modelo regional de Nowcasting que produz previsões com até 90 minutos de antecedência, e MetNet-3 , um modelo regional de previsão meteorológica já em operação nos EUA e a Europa que produz previsões de 24 horas mais precisas do que qualquer outro sistema.
I loved as much as youll receive carried out right here The sketch is tasteful your authored material stylish nonetheless you command get bought an nervousness over that you wish be delivering the following unwell unquestionably come more formerly again since exactly the same nearly a lot often inside case you shield this hike
Thanks for sharing. I read many of your blog posts, cool, your blog is very good.
really appreciatte it