Relatórios
Pesquisas da Tomorrow.io mostram que dados iniciais melhores podem aprimorar as previsões meteorológicas por IA

Pontos-chaveMelhores dados atmosféricos iniciais melhoraram as previsões da Aurora sem alterar o…
Ver mais
- Melhores dados atmosféricos iniciais melhoraram as previsões da Aurora sem alterar o próprio modelo.
- O ganho de um dia compara a inicialização do Sky 1 com o GFS bruto, em vez de isolar observações de satélite.
- O progresso da IA meteorológica depende do pipeline completo de observações, assimilação, previsão e avaliação.
Tomorrow.io defende que é possível aprimorar as previsões meteorológicas por IA antes mesmo de o modelo de previsão começar a funcionar. Sua pesquisa mais recente relata que estimativas mais precisas da atmosfera atual podem melhorar as previsões do Aurora 1.5, da Microsoft, e do WeatherNext 2, do Google DeepMind, sem alterar esses modelos de previsão.
No anúncio de 17 de novembro, a empresa apresenta o Sky 1, um sistema de assimilação de dados baseado em aprendizado de máquina que atualiza as condições iniciais a cada hora usando observações de sua constelação de 15 sondadores de micro-ondas. Os instrumentos acrescentam informações sobre temperatura e umidade, inclusive através das nuvens e em regiões com poucas observações.
Os resultados sugerem que os sistemas de observação e o software que prepara as entradas de um modelo merecem atenção, assim como a arquitetura do modelo. Eles também envolvem duas comparações distintas: a contribuição das observações por satélite e o benefício mais amplo de usar o Sky 1 para inicializar o Aurora.
Por que as condições atmosféricas iniciais são importantes
Um modelo meteorológico precisa de um estado inicial: uma estimativa tridimensional de condições como temperatura, umidade e vento. As observações chegam de diferentes locais, altitudes e horários. A assimilação de dados combina as medições com uma estimativa existente da atmosfera para produzir um ponto de partida coerente.
A explicação do ECMWF sobre o ERA5 descreve essa combinação de modelos e observações. O ERA5 reconstrói o clima passado em um conjunto de dados global coerente, o que o torna útil como referência para avaliar previsões. Ainda assim, é uma reconstrução da atmosfera, com suas próprias entradas de modelagem e observação.
A inferência rápida diz respeito à velocidade com que um modelo calcula o que vem a seguir. Uma inicialização melhor diz respeito à precisão com que ele sabe o que está acontecendo agora. Mesmo um modelo poderoso pode levar adiante, em suas previsões, uma estimativa inicial imprecisa.
O que a comparação com os satélites revelou
A Tomorrow.io relata que a inclusão de suas observações reduziu em aproximadamente 5–8% o erro do vapor d’água no estado inicial em 28 casos, em comparação com o ERA5. Na avaliação das previsões, 112 previsões do Aurora 1.5 apresentaram menor erro médio de temperatura perto da superfície em todos os prazos avaliados, até cinco dias, quando as observações foram incluídas. A empresa descreve os ganhos como modestos e mais expressivos nos dois primeiros dias.
Os métodos publicados pela empresa usam estados iniciais pareados: o Sky 1 prepara um deles com as observações da constelação e outro sem elas. O mesmo modelo de previsão é executado a partir de cada estado, o que permite à avaliação isolar o efeito dos dados adicionais.
A comparação com estações meteorológicas usou aproximadamente 17.700 estações. O WeatherNext 2 também foi testado com os estados iniciais pareados.
O que o resultado de “um dia extra” realmente significa
O ganho de aproximadamente um dia no prazo de antecedência vem de uma comparação separada entre o Aurora inicializado com o Sky 1 e o Aurora inicializado diretamente com dados do Global Forecast System (GFS). A Tomorrow.io relata que, na avaliação em relação ao ERA5, a execução com dados brutos do GFS atingiu o nível de erro da previsão de cinco dias do Sky 1 aproximadamente 24,9 horas antes. Em comparação com estações meteorológicas, o ganho equivalente foi de aproximadamente 10 horas.
A empresa atribui explicitamente esse resultado ao Sky 1 como um todo, e não apenas à constelação de satélites. Segundo ela, parte da melhoria decorre de fornecer ao Aurora um estado inicial semelhante ao tipo de estado que encontrou durante o treinamento.
Essa distinção é fundamental para interpretar a pesquisa. O resultado equivalente a um dia mede o desempenho em um determinado limite de erro de temperatura e em relação a uma referência específica. Ele não demonstra que todas as variáveis de previsão, regiões ou eventos extremos se tornam previsíveis com um dia inteiro de antecedência.
A tecnologia por trás das novas observações
A documentação dos sondadores de micro-ondas da Tomorrow.io descreve radiômetros passivos que fornecem perfis atmosféricos de temperatura e vapor d’água. A empresa lista mais de 12 canais que abrangem de 91 a 204 GHz, com varredura transversal à trajetória em uma faixa de aproximadamente 2.200 quilômetros.
Esses instrumentos fornecem medições para uma análise atmosférica; não produzem diretamente uma previsão pronta. O valor de uma observação depende de sua calibração, cobertura e horário, bem como da forma como o sistema de assimilação a incorpora. Isso conecta os equipamentos espaciais ao fluxo de dados de entrada usado pelos modelos de previsão por IA.
Como o Aurora e o WeatherNext se encaixam
A Microsoft descreve o Aurora 1.5 como uma extensão de seu modelo fundamental de sistemas terrestres, que acrescenta resolução temporal horária, mais variáveis de previsão e previsão probabilística por conjuntos. Um conjunto representa vários resultados futuros possíveis, ajudando os usuários a avaliar a incerteza.
O WeatherNext 2 usa uma arquitetura de Rede Generativa Funcional para fazer previsões globais por conjuntos. A documentação do Google lista uma grade de 0,25 grau, 64 membros no conjunto e um horizonte de previsão de 15 dias. A avaliação relatada pela Tomorrow.io abrange um horizonte de cinco dias.
Desde então, o Google lançou o WeatherNext 3, que incorpora observações de satélite em tempo real e produz previsões horárias. Os resultados da Tomorrow.io discutidos aqui dizem respeito ao WeatherNext 2; eles não demonstram uma melhoria no modelo mais recente do Google.
Uma perspectiva mais ampla para a IA meteorológica
Estas são avaliações retrospectivas divulgadas pela empresa. Elas oferecem um teste útil da qualidade da inicialização e das observações, enquanto o comunicado informa que os dados estão disponíveis mediante solicitação. O texto descreve trabalhos que avaliaram trajetórias de furacões, a chegada de rios atmosféricos à costa e episódios de condições meteorológicas severas, sem demonstrar o mesmo ganho no prazo de antecedência das previsões de temperatura para esses eventos.
A lição mais ampla é que a IA meteorológica avança ao longo de todo o processo de previsão: observações, assimilação, previsão e avaliação. Os testes da Tomorrow.io mostram como examinar os dados de entrada pode revelar ganhos que passariam despercebidos se fossem comparadas apenas as arquiteturas de previsão. Para os usuários, o que importa será obter melhorias confiáveis nas variáveis, nos locais e nos períodos de decisão relevantes para suas operações.












