Google DeepMind apresenta modelo mais preciso e econômico para previsão do tempo

O GenCast oferece previsões para até 15 dias e exige recursos computacionais significativamente menores.

Diferentemente dos modelos tradicionais baseados em Previsão Numérica do Tempo (NWP, na sigla em inglês), que resolvem equações físicas aproximadas para prever condições atmosféricas, o GenCast utiliza aprendizado direto de dados climáticos históricos. Isso permite que o modelo capture relações mais complexas entre os fenômenos meteorológicos, superando as limitações dos métodos tradicionais.

O GenCast opera com um sistema probabilístico, gerando um conjunto de 50 ou mais previsões que representam diferentes trajetórias possíveis do clima. Essas previsões, com resolução global de 0,25º, demonstraram maior precisão do que o ENS, o principal modelo operacional de previsão de conjuntos do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF). Em testes, o GenCast superou o ENS em 97,2% dos alvos avaliados, além de mostrar melhor desempenho na previsão de trajetórias de ciclones tropicais.

Além da precisão, o GenCast se destaca pelo baixo custo computacional. Enquanto o ENS exige horas de processamento em supercomputadores com dezenas de milhares de processadores para previsões em alta resolução, o GenCast utiliza um único TPU v5 do Google Cloud para gerar previsões de 15 dias em apenas 8 minutos. Cada previsão do conjunto pode ser processada simultaneamente, graças à arquitetura paralela do modelo.

O GenCast tem potencial para mitigar os impactos de eventos climáticos severos, ajudando empresas e comunidades a se prepararem melhor para condições adversas. Além disso, pode facilitar o planejamento de energia renovável, como a previsão aprimorada de energia eólica.