Um grupo de investigadores da Google DeepMind desenvolveu um modelo de aprendizagem automática, capaz de elaborar previsões meteorológicas probabilísticas fiáveis com base no clima actual e futuro
O modelo, denominado “GenCast”, supera as previsões meteorológicas tradicionais de médio alcance e é consegue também prever melhor as condições meteorológicas extremas, as trajectórias dos ciclones tropicais e a produção de energia eólica.a d v e r t i s e m e n t Ter previsões meteorológicas precisas é essencial para que as pessoas, os governos e as organizações tomem decisões fulcrais no seu dia-a-dia, desde o transporte de um guarda-chuva até à avaliação da produção de energia eólica ou planeamento de condições meteorológicas extremas para evitar catástrofes. As previsões meteorológicas tradicionais baseiam-se em métodos numéricos de previsão meteorológica, que estimam o tempo actual e o mapeiam para uma previsão do tempo futuro ao longo do tempo (conhecidas como previsões determinísticas), mas isto gera inúmeros cenários potenciais, que são combinados para produzir uma previsão meteorológica. Os autores defendem que o GenCast pode gerar previsões meteorológicas mais eficientes e eficazes para apoiar um planeamento capaz Agora, uma equipa de cientistas da Google desenvolveu um método de previsão meteorológica de aprendizagem automática chamado GenCast, que consegue gerar uma previsão probabilística, prevendo a probabilidade de condições meteorológicas futuras com base nos estados meteorológicos actuais e anteriores. Os autores treinaram o GenCast com base em 40 anos (1979 a 2018) de análise de dados das melhores estimativas de eventos meteorológicos. Graças a este treino, o modelo é capaz de gerar previsões globais para 15 dias, para mais de 80 variáveis atmosféricas e de superfície, em oito minutos. Quando comparado com o conjunto de previsões do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ENS) – actualmente a previsão de médio prazo com melhor desempenho a nível mundial -, descobriram que o GenCast superou o ENS em 97,2% dos 1320 alvos utilizados. Os autores defendem que o novo modelo pode gerar previsões meteorológicas mais eficientes e eficazes para apoiar um planeamento capaz. Os detalhes do GenCast foram divulgados na quarta-feira (4) num artigo publicado na revista Nature.
