A previsão do tempo desempenha um papel crucial em vários setores, desde transporte e agricultura até a segurança pública. Tradicionalmente, os sistemas de Previsão Numérica do Tempo (NWP) têm sido a base da previsão, mas envolvem fluxos de trabalho complexos e exigem recursos computacionais substanciais. Em um artigo de março, pesquisadores da Universidade de Cambridge introduziram uma nova abordagem que substitui todo o pipeline do NWP por um único modelo de aprendizado de máquina. Este sistema inovador, chamado Aardvark Weather, demonstra o potencial de transformar a previsão do tempo, aprimorando a velocidade, a precisão e a acessibilidade.
O Aardvark Weather é um sistema de previsão do tempo end-to-end que utiliza dados observacionais para gerar previsões globais e locais. A arquitetura do modelo consiste em três módulos: um codificador, um processador e um decodificador. O codificador processa dados observacionais brutos para produzir um estado inicial em grade; o processador gera previsões em grade global; e o decodificador produz previsões locais. Esse design permite que o sistema aprenda com dados de reanálise de alta qualidade e, em seguida, ajuste-o com dados observacionais, garantindo um desempenho eficaz sem depender de entradas NWP tradicionais durante a implantação.
Os resultados do estudo demonstram que o Aardvark Weather é capaz de produzir previsões globais que superam as linhas de base operacionais do NWP em termos de erro quadrático médio (RMSE) para múltiplas variáveis e tempos de previsão. Além disso, o sistema fornece previsões locais hábeis para temperatura e velocidade do vento, competindo ou até mesmo superando o NWP pós-processado e sistemas de previsão end-to-end de última geração. A capacidade de ajustar o modelo para regiões e variáveis específicas aprimora ainda mais sua utilidade, oferecendo o potencial para ferramentas de previsão do tempo personalizadas para várias aplicações.
O Aardvark Weather representa um avanço significativo no campo da IA para previsão do tempo. Ao substituir o complexo pipeline do NWP por um modelo simplificado e baseado em dados, ele não apenas reduz os custos computacionais e aumenta a velocidade, mas também simplifica o desenvolvimento e a manutenção de sistemas de previsão. Essa inovação tem o potencial de estender os benefícios da previsão do tempo avançada para regiões com recursos limitados e abre novos caminhos para a criação de modelos de previsão personalizados para diversas aplicações.
