Um modelo de aprendizagem automática capaz de produzir uma previsão meteorológica probabilística fiável, expressa em probabilidades de vários resultados, com base nas condições meteorológicas atuais e futuras, é apresentado num artigo publicado na revista Nature.
Denominado “GenCast”, tem um desempenho superior ao da previsão meteorológica tradicional de médio alcance com melhor desempenho e é também capaz de prever melhor condições meteorológicas extremas, trajetos de ciclones tropicais e produção de energia eólica.
A exatidão das previsões meteorológicas é essencial para que os indivíduos, os governos e as organizações tomem decisões importantes no dia a dia, desde levar ou não um guarda-chuva, avaliar a produção de energia eólica ou planear condições meteorológicas extremas.
A previsão meteorológica baseia-se tradicionalmente em métodos de previsão numérica do tempo, que estimam o tempo atual e o mapeiam para uma previsão do tempo futuro ao longo do tempo (conhecidas como previsões determinísticas). Isto gera numerosos cenários potenciais, que são combinados para produzir uma previsão meteorológica.
Ilan Price e colegas apresentam um método de previsão meteorológica de aprendizagem automática denominado GenCast. O método é capaz de gerar uma previsão probabilística, que prevê a probabilidade de condições meteorológicas futuras com base nos estados meteorológicos atuais e anteriores.
Os autores treinaram o GenCast em 40 anos (1979 a 2018) de dados de análise de melhores estimativas de ocorrências meteorológicas e é capaz de gerar previsões globais de 15 dias, em passos de 12 horas, para mais de 80 variáveis atmosféricas e de superfície, em 8 minutos.
Quando comparado com o conjunto de previsões do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ENS) – uma previsão determinística e atualmente a previsão de médio prazo com melhor desempenho a nível mundial – verificaram que o GenCast superou o ENS em 97,2% dos 1.320 objetivos utilizados para resumir o desempenho.
Observaram também que o GenCast é mais eficaz na previsão de condições meteorológicas extremas, trajetórias de ciclones tropicais e produção de energia eólica.
Os autores sugerem que o GenCast pode fornecer previsões meteorológicas mais eficientes e eficazes para apoiar um planeamento eficaz.
