Pangu Weather: modelo meteorológico de inteligência artificial busca prever fenômenos em segundos
Pangu Weather, criado pela Huawei Cloud, é um modelo meteorológico de inteligência artificial que visa melhorar tempos de processamento e resultados. Sua versão beta está aberta ao público. Saiba os detalhes aqui.
A inteligência artificial (IA) está começando a desempenhar um papel mais forte na meteorologia, e especialmente em novos modelos de previsão. Na verdade, o primeiro modelo de previsão meteorológica baseado em IA já está disponível ao público em fase beta. Trata-se do modelo Huawei Pangu Weather.
De acordo com o que relata a Cision PR Newsware, o Pangu-Weather é um modelo de IA para previsão do tempo desenvolvido pela Huawei Cloud, e permite previsões meteorológicas precisas com uma melhoria de 10.000 vezes na velocidade de previsão, reduzindo os tempos de previsão global para apenas alguns segundos. O trabalho de contraste com o resto dos modelos que estão atualmente em execução globalmente ainda está por vir.
O objetivo é que este tipo de modelo seja complementado pelos demais que são desenvolvidos globalmente, para obter resultados em menos tempo e que esta informação seja eficaz. A apresentação do Pangu Weather foi feita em uma publicação na revista Nature em 5 de julho sob o título 'Accurate medium-range global weather forecasting with 3D neural networks' (Previsão meteorológica global precisa de médio prazo com redes neurais 3D).
Fase beta aberta ao público
Parte desse modelo está atualmente aberta ao público e pode ser acessada através da seção de gráficos do European Centre for Medium-Range Weather Forecasts (ECMWF). Existem seis variáveis que podem ser consultadas nesta fase, não estando incluído o campo de precipitação, mas sim gráficos de circulação e de temperatura. A equipe que trabalha no Pangu Weather é liderada por Kaifeng Bi da Huawei Cloud, com sede em Shenzhen, China.
Na apresentação, entre outras coisas, é indicado que “recentemente, os métodos baseados em inteligência artificial demonstraram o seu potencial para acelerar as previsões meteorológicas em várias ordens de grandeza, mas a sua precisão ainda é significativamente inferior à dos métodos NWP (Previsão Numérica do Tempo). Pangu utiliza um método baseado em IA para previsão meteorológica global de médio prazo.
É também relatado que redes tridimensionais profundas equipadas com dados específicos da Terra mostram-se eficazes no tratamento de padrões complexos em dados meteorológicos, e que uma estratégia hierárquica de agregação temporal reduz erros de acumulação em previsões de médio prazo. O modelo é treinado em 39 anos de dados globais. Os desenvolvedores observam que o Pangu-Weather alcança resultados de previsão determinística mais fortes em dados de reanálise em todas as variáveis testadas, quando comparado ao melhor sistema NWP do mundo, que é o sistema integrado de previsão operacional do Centro Europeu de Previsão de Tempo a Médio Prazo.
Tempos de novos modelos
Os criadores da Huawei apontam para os seus próprios benefícios ao definir que o modelo também funciona bem com previsões meteorológicas extremas e previsões de conjunto, ou probabilísticas. Quando inicializado com dados de reanálise, a precisão do rastreamento de ciclones tropicais também é superior à do ECMWF-HRES.
Essas afirmações estão agora abertas com as informações disponíveis. Pangu foi bem testado pelo furacão Hilary na costa do Pacífico e agora será testado no pico da temporada de furacões no Atlântico.
Pangu Weather sai pelo mundo competindo com outro grande modelo de alcance tropical, o HAFS (Hurricane Analysis and Forecast System) da NOAA, que se propõe como um modelo numérico de nova geração e sistema de assimilação de dados desenvolvido no âmbito do Sistema de Predivão Unificado (UFS). O objetivo do HAFS é fornecer orientação confiável e hábil sobre a trajetória, intensidade e estrutura dos ciclones tropicais, incluindo mudanças rápidas na intensidade, gênese e tamanho das tempestades.
A verdade é que a IA está avançando no desempenho da meteorologia e, embora a maioria acredite que é um complemento aos demais modelos, o mais provável é que estas possibilidades abram portas para alcançar um maior desempenho em cálculos de modelos futuros que possam integrar todas as técnicas disponíveis.