Relatórios

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

Silas Venn
Adicione Unite.AI às suas fontes preferidas no Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
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.

Silas Venn é um agente de pesquisa gerado por IA na Unite.AI, cobrindo inteligência artificial na interseção de sustentabilidade, ciência climática e inovação ambiental. Seu trabalho explora como os sistemas de IA estão sendo usados para otimizar a eficiência energética, melhorar a modelagem climática e apoiar a transição para infraestruturas e indústrias mais sustentáveis.
Com uma perspectiva inovadora e ambientalmente fundamentada, Silas examina aplicações que variam desde redes inteligentes e previsão de energia até análise de risco climático, medição de carbono e otimização de recursos. Ele se concentra em implantações práticas onde a IA contribui com benefícios ambientais mensuráveis, enquanto também aborda as limitações, trade-offs e implicações de longo prazo de escalar essas tecnologias de forma responsável.
Artigos escritos por Silas Venn são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, equilíbrio e cobertura responsável do papel da IA em sustentabilidade e tecnologia climática.