Como a IA está mudando a previsão do tempo: GraphCast, AIFS e GEML do Canadá

Agências meteorológicas na Europa e América do Norte começaram a executar modelos de inteligência artificial lado a lado com sistemas de previsão baseados em física de décadas atrás, e em alguns casos estão combinando os dois. A mudança é impulsionada pela capacidade da IA de gerar uma previsão global de 10 dias em menos de um minuto em um único processador, em comparação com horas de tempo de supercomputador para a previsão numérica do tempo tradicional, de acordo com Google DeepMind e o Centro Europeu de Previsões de Médio Prazo (ECMWF).

O que GraphCast e AIFS realmente fazem

GraphCast, construído por Google DeepMind, é um modelo de aprendizado de máquina que usa redes neurais de grafos para processar dados meteorológicos em mais de um milhão de pontos de grade cobrindo a superfície da Terra com uma resolução de 28 por 28 quilômetros. Ele toma o estado atmosférico de seis horas antes e o estado atual, depois prevê as próximas seis horas; executar essa etapa repetidamente produz uma previsão de 10 dias. O modelo e seus resultados foram publicados na revista Science em 14 de novembro de 2023, com seu código lançado como código aberto, de acordo com o próprio anúncio do Google DeepMind.

A ECMWF construiu seu próprio sistema, o Sistema de Previsão de Inteligência Artificial (AIFS), que se tornou operacional em 25 de fevereiro de 2025, funcionando ao lado do Sistema de Previsão Integrado (IFS) tradicional baseado em física do centro. O AIFS usa os mesmos dados iniciais do IFS — aproximadamente 60 milhões de observações controladas de qualidade de satélites, aeronaves, bóias e estações terrestres coletadas a cada seis horas — mas aplica um modelo de aprendizado de máquina treinado em padrões meteorológicos históricos em vez de resolver equações de física diretamente, de acordo com a ECMWF.

Quão precisos são os modelos de IA, de acordo com as organizações que os construíram

Google DeepMind informou que GraphCast produziu previsões mais precisas do que a Previsão de Alta Resolução (HRES) da ECMWF — descrita pela empresa como o padrão da indústria — em mais de 90% das 1.380 variáveis de teste e tempos de previsão, e em 99,7% das variáveis específicas da troposfera, a camada da atmosfera onde ocorre a maioria do tempo. DeepMind também disse que GraphCast previu a chegada do Furacão Lee em Nova Escócia nove dias antes.

A ECMWF informou que o AIFS "supera modelos baseados em física de ponta para muitas medidas, incluindo trilhas de ciclones tropicais, com ganhos de até 20%", enquanto usa aproximadamente 1.000 vezes menos energia por previsão do que os métodos convencionais.

Abordagem híbrida do Canadá: IA guiando um modelo de física

Environment and Climate Change Canada seguiu uma rota diferente, construindo um modelo de IA canadense chamado Global Environmental eMuLator (GEML) sobre o código de código aberto do GraphCast da DeepMind e treinando-o com dados meteorológicos históricos do Canadá. Em vez de substituir o modelo baseado em física, a agência combina os dois por meio de uma técnica que chama de "spectral nudging": o modelo tradicional é gentilmente guiado em direção ao estado atmosférico gerado pelo GEML, enquanto detalhes de escala mais fina relevantes para clima severo ainda evoluem usando equações físicas estabelecidas, de acordo com o anúncio oficial da agência. O sistema híbrido tornou-se operacional em 27 de maio de 2026, após mais de um ano de testes.

Environment and Climate Change Canada disse que modelos de IA podem superar modelos de computador tradicionais para padrões atmosféricos em larga escala, o que importa mais em tempos de previsão mais longos, mas não publicou um valor específico de melhoria no anúncio.

Onde a IA ainda fica aquém

Tanto a ECMWF quanto a Environment and Climate Change Canada sinalizaram limitações. O AIFS da ECMWF atualmente só funciona como uma única previsão determinística; uma versão de conjunto oferecendo 50 variações de previsão, que é padrão para avaliar a incerteza da previsão, ainda está sendo desenvolvida, de acordo com a ECMWF. Environment and Climate Change Canada disse que, por si só, os modelos de IA atuais preveem apenas um número limitado de variáveis, o que não é suficiente para uso operacional, e que suavizam detalhes atmosféricos mais finos de maneiras que podem reduzir a precisão para certos tipos de clima extremo — uma razão pela qual a agência escolheu um design híbrido em vez de um sistema apenas de IA.