p As previsões do tempo de hoje vêm de alguns dos computadores mais poderosos da Terra. As enormes máquinas agitam milhões de cálculos para resolver equações para prever a temperatura, vento, chuva e outros eventos climáticos. A necessidade combinada de velocidade e precisão de uma previsão impõe até mesmo os computadores mais modernos. p O futuro poderia ter uma abordagem radicalmente diferente. Uma colaboração entre a Universidade de Washington e a Microsoft Research mostra como a inteligência artificial pode analisar padrões climáticos passados ​​para prever eventos futuros, muito mais eficiente e potencialmente, algum dia, com mais precisão do que a tecnologia atual.

p O modelo meteorológico global recém-desenvolvido baseia suas previsões nos últimos 40 anos de dados meteorológicos, em vez de cálculos físicos detalhados. O simples, I.A. baseado em dados modelo pode simular o clima de um ano ao redor do globo muito mais rapidamente e quase tão bem quanto os modelos de clima tradicionais, tomando etapas semelhantes e repetidas de uma previsão para a próxima, de acordo com um artigo publicado neste verão no Journal of Advances in Modeling Earth Systems.

p "O aprendizado de máquina é essencialmente uma versão glorificada do reconhecimento de padrões, "disse o autor principal Jonathan Weyn, que fez a pesquisa como parte de seu doutorado UW em ciências atmosféricas. "Ele vê um padrão típico, reconhece como geralmente evolui e decide o que fazer com base nos exemplos que viu nos últimos 40 anos de dados. "

p Embora o novo modelo seja, sem surpresa, menos precisos do que os principais modelos de previsão tradicionais de hoje, o atual I.A. design usa cerca de 7, 000 vezes menos capacidade de computação para criar previsões para o mesmo número de pontos no globo. Menos trabalho computacional significa resultados mais rápidos.

p Essa aceleração permitiria que os centros de previsão executassem rapidamente muitos modelos com condições iniciais ligeiramente diferentes, uma técnica chamada "previsão por conjunto" que permite que as previsões do tempo cubram a gama de resultados esperados possíveis para um evento meteorológico - por exemplo, onde um furacão pode atacar.

p "Há muito mais eficiência nessa abordagem; isso é o que é tão importante, "disse o autor Dale Durran, um professor de ciências atmosféricas da UW. "A promessa é que isso pode nos permitir lidar com problemas de previsibilidade, tendo um modelo que é rápido o suficiente para rodar conjuntos muito grandes."

p O coautor Rich Caruana, da Microsoft Research, inicialmente abordou o grupo UW para propor um projeto usando inteligência artificial para fazer previsões meteorológicas com base em dados históricos sem depender de leis físicas. Weyn estava fazendo um curso de ciência da computação da UW em aprendizado de máquina e decidiu abordar o projeto.

p "Depois de treinar com os dados meteorológicos anteriores, o I.A. algoritmo é capaz de criar relações entre diferentes variáveis ​​que as equações físicas simplesmente não conseguem fazer, "Weyn disse." Podemos nos dar ao luxo de usar muito menos variáveis ​​e, portanto, fazer um modelo muito mais rápido. "

p Para fundir o I.A. técnicas com previsão do tempo, a equipe mapeou seis faces de um cubo no planeta Terra, em seguida, aplainou as seis faces do cubo, como em um modelo de papel arquitetônico. Os autores trataram as faces polares de maneira diferente por causa de seu papel único no clima como uma forma de melhorar a precisão da previsão.

p Os autores então testaram seu modelo, prevendo a altura global da pressão de 500 hectopascal, uma variável padrão na previsão do tempo, a cada 12 horas durante um ano inteiro. Um artigo recente, que incluiu Weyn como co-autor, introduziu o WeatherBench como um teste de referência para previsões meteorológicas baseadas em dados. Nesse teste de previsão, desenvolvido para previsões de três dias, este novo modelo é um dos de melhor desempenho.

p O modelo baseado em dados precisaria de mais detalhes antes de começar a competir com as previsões operacionais existentes, os autores dizem, mas a ideia parece promissora como uma abordagem alternativa para gerar previsões do tempo, especialmente com uma quantidade crescente de previsões e observações meteorológicas anteriores.