p Uma equipe de pesquisadores que trabalha no centro de pesquisas do Google em Mountain View desenvolveu uma ferramenta de previsão do tempo baseada em aprendizado profundo para prever eventos climáticos de curto prazo. Eles escreveram um artigo descrevendo sua "ferramenta de previsão, "e fizeram o upload para o servidor de pré-impressão arXiv. Eles também publicaram uma notícia descrevendo seu trabalho no Google AI Blog. p Apesar de séculos de esforço, prever o tempo ainda é uma ciência inexata. A abordagem atual envolve coletar dados de uma variedade de fontes e analisá-los com supercomputadores que levam horas para entregar previsões. Embora as previsões meteorológicas modernas sejam muito mais precisas do que as do passado, eles ainda deixam muito a desejar - especialmente localmente e no curto prazo. Neste novo esforço, a equipe do Google adotou uma abordagem diferente para a previsão de curto prazo, em vez de usar a física, eles usam mapas de radar recentes para fazer suposições fundamentadas sobre o futuro próximo.

p A nova ferramenta do Google usa aprendizado de máquina - uma rede neural convolucional (CNN) é treinada para reconhecer padrões climáticos e, em seguida, faz previsões com base nas condições climáticas atuais. A ferramenta resultante fornece o que o Google descreve como "previsão da precipitação" - com base local, quase instantâneo, previsões meteorológicas de curto prazo.

p O tipo de CNN que o Google usa é chamado de U-Net - um sistema que funciona classificando os dados em camadas que são organizadas por fase de codificação para aumentar a velocidade de processamento - a iteração é usada para diminuir a resolução da imagem e, em seguida, a decodificação é usada para restaurar as imagens de volta à sua resolução original. O sistema analisa os dados do radar das últimas N horas para prever eventos meteorológicos nas próximas N horas - onde N varia entre zero e seis horas. Todo o processo leva apenas alguns minutos. O sistema é capaz de retornar respostas mais rapidamente do que os sistemas convencionais de previsão porque ignora a física envolvida - em vez disso, ele depende do processamento de imagem.

p Os pesquisadores testaram sua ferramenta comparando-a com três modelos de previsão amplamente usados. Eles afirmam que suas previsões eram mais precisas no curto prazo do que os três modelos, mas eram menos precisos a longo prazo. p © 2020 Science X Network