Como prever melhor os fenómenos meteorológicos que ocorrem uma vez por milénio: os "cisnes negros" do tempo

Os modelos tradicionais baseados em supercomputadores conseguem prever estes eventos, mas requerem muito tempo e energia. Por outro lado, os modelos de previsão mais recentes, baseados em inteligência artificial, são eficazes para as previsões diárias, mas muitas vezes não conseguem prever eventos atípicos que não estavam representados nos seus dados de treino.

"Os modelos meteorológicos e climáticos baseados em IA são uma das grandes conquistas da inteligência artificial na ciência, mas não são milagrosos: falham com os cisnes cinzentos, os eventos mais raros e extremos", afirmou Pedram Hassanzadeh, professor associado de ciências geofísicas da Universidade de Chicago. "Os modelos detalhados baseados na física conseguem captar os extremos, mas exigem quantidades exorbitantes de tempo e energia".

A sua solução combina a eficiência das ferramentas de IA com a fiabilidade dos modelos tradicionais para ajudar a prever a probabilidade de eventos pouco frequentes de forma rápida e precisa, utilizando muito menos recursos.

"A vantagem deste método", afirmou Hassanzadeh, "é que combina os pontos fortes da IA e da física tradicional, sendo particularmente eficaz para eventos extremos, que são os mais difíceis de simular e os que têm maior impacto social".

As estatísticas de fenómenos raros

As ondas de calor são uma das formas mais mortíferas de clima extremo. Em 2003, uma onda de calor causou aproximadamente 70 000 mortes na Europa, e a Rússia registou 56 000 mortes em 2010. Em junho de 2026, quase metade dos Estados Unidos — cerca de 180 milhões de pessoas — enfrentou temperaturas perigosas.

Estas ondas de calor estão a tornar-se cada vez mais frequentes e severas, mas a natureza destes fenómenos atípicos dificulta o seu estudo e torna a sua previsão um verdadeiro desafio.

A previsão meteorológica tem-se baseado tradicionalmente em modelos climáticos e meteorológicos fundamentados na física. Estes modelos ajudam-nos a compreender como diferentes condições, como a pressão atmosférica, podem afetar a temperatura e outras variáveis ao longo do tempo. Calculam vários cenários potenciais que os investigadores utilizam para determinar o que é mais provável que aconteça na realidade.

O problema é o seguinte: se quiser saber a probabilidade de Chicago atingir os 30 °C em julho — algo bastante comum —, não seria necessário realizar muitas simulações antes de obter essa temperatura. Mas se quiser saber a probabilidade de atingir os 40 °C, terá de tentar muitas mais vezes antes de observar esse extremo. Realizar tantas simulações requer muito tempo e capacidade de computação.

Os investigadores podem mitigar o problema utilizando uma técnica estatística chamada amostragem de eventos raros (RES, na sigla em inglês), que acelera o processo ao selecionar as condições para que o modelo climático se concentre apenas nas mais promissoras e ignore o resto. No entanto, a amostragem de eventos raros não funciona bem para eventos de curta duração, como ondas de calor de uma semana, mas sim para uma estação completa que, em geral, é invulgarmente quente.

Para dar resposta a este problema, a equipa concebeu um novo método denominado AI+RES, que melhora o mecanismo de pontuação ao adicionar a capacidade da IA de prever quais as condições com maior probabilidade de provocar fenómenos extremos de curta duração e de rápido desenvolvimento.

"Após repetir este processo de forma iterativa, chega-se a um conjunto de simulações que captam efetivamente o evento extremo pouco frequente que nos interessa", explicou Alexander Wikner, investigador de pós-doutoramento da Schmidt AI in Science no grupo de Hassanzadeh e coautor principal do estudo. "Quanto mais simulações forem obtidas, melhor se poderá estimar a probabilidade desse evento, o que, em última análise, proporciona muito mais certeza".

Para testar o método, a equipa realizou 50 000 simulações utilizando um modelo climático tradicional para prever ondas de calor em regiões de França e do Centro-Oeste dos Estados Unidos. O seu novo método AI+RES apresentou resultados praticamente idênticos utilizando um centésimo das simulações.

Uma vez que este trabalho era uma prova de conceito, utilizaram um modelo que não tinha em conta as alterações climáticas, o que acrescenta um nível adicional de complexidade. Os investigadores esperam testar o seu método com modelos que funcionem sob diferentes cenários de alterações climáticas, para verificar como os resultados poderão variar à medida que o planeta aquece.

Wikner salienta que o método também poderá ajudar a gerar conjuntos de dados de eventos pouco frequentes para treinar modelos de IA ainda melhores, o que, por sua vez, aceleraria ainda mais o seu método.

Aplicação a outros fenómenos extremos e raros

Segundo os cientistas, o método híbrido poderá ser aplicado a outros fenómenos meteorológicos extremos, como ciclones tropicais ou precipitações extremas.

"O que me agrada neste quadro", afirmou Hassanzadeh, "é que está pronto para ser ampliado. Já existem modelos de IA treinados com observações meteorológicas reais que estão a ser utilizados, pelo que o próximo passo é ligar um modelo numérico de previsão meteorológica ou climática de última geração a um desses modelos através deste algoritmo".

Isto proporcionaria aos decisores acesso à informação precisa de que necessitam, como a frequência de tempestades intensas e ondas de calor no clima atual e futuro, à escala regional, por exemplo, especificamente no Texas, na Flórida ou na Califórnia.

"Este é precisamente o tipo de informação de que os governos federais, estaduais e locais necessitam como primeiro passo para o planeamento da adaptação e mitigação das alterações climáticas", acrescentou Hassanzadeh. "É muito encorajador que possamos alargar isto a modelos reais que forneçam diretamente essa informação ao público e aos decisores políticos".

Fonte: Universidade de Chicago