Poderá a IA ajudar a prever o tempo com três meses de antecedência?

As previsões sazonais preveem as condições meteorológicas prováveis para os próximos três meses, mas prever o tempo com tanta antecedência é um desafio. A atmosfera está em constante mudança, pelo que as estimativas e os pressupostos utilizados nos modelos de previsão tornam-se menos fiáveis à medida que a estação avança.

A aprendizagem automática (ML), um subconjunto da IA, pode melhorar as previsões meteorológicas. Os modelos meteorológicos baseados em IA podem ser um passo importante para melhorar as previsões sazonais, de acordo com uma nova investigação conduzida pelo Serviço Nacional de Meteorologia do Reino Unido (Met Office).

IA versus física

As previsões sazonais do Met Office estão entre as melhores do mundo e clarificam os cenários meteorológicos possíveis para os próximos meses. No entanto, implicam a execução repetida de modelos baseados na física para compreender os cenários prováveis, com probabilidades aplicadas a diferentes condições, o que exige uma grande capacidade de computação.

Os investigadores avaliaram o potencial da aplicação de um modelo meteorológico AA às previsões sazonais globais, especificamente o modelo ACE2 AA do Allen Institute for AI (Ai2), que pode permanecer estável durante longos períodos de previsão.

“Já vimos abordagens baseadas na aprendizagem automática (ML) demonstrarem a sua eficácia na previsão a curto prazo; este documento explora a utilização destes métodos numa escala de tempo muito mais longa a nível global”, explica Chris Kent, cientista sénior do Serviço Meteorológico Nacional (MET), que liderou a investigação.

"Descobrimos que o ACE2 mostra uma eficácia comparável à dos métodos físicos existentes, o que pode abrir novas oportunidades para gerar previsões sazonais mais detalhadas e exatas".

Feryal Clark, Ministra da IA e do Governo Digital, afirma: "Ao melhorarmos a nossa capacidade de prever o tempo com meses de antecedência, podemos ajudar as empresas e os serviços públicos a obter as informações de que necessitam para planear com maior confiança. Desde o apoio à tomada de decisões sobre as colheitas até à ajuda ao Serviço Nacional de Saúde (NHS) para se preparar para o inverno, este trabalho demonstra como as tecnologias emergentes, como a IA, podem impulsionar o crescimento, reforçar a resiliência e melhorar a vida quotidiana das pessoas, como parte do nosso Plano para a Mudança".

Bom, mas quão bom?

Para avaliar a exatidão das previsões sazonais do ACE2, um conjunto de previsões globais abrangendo 23 Invernos do hemisfério norte foi comparado com previsões baseadas na física para o mesmo período e com as condições reais observadas.

O ACE2 igualou os métodos atuais, demonstrando a sua capacidade para prever a Oscilação do Atlântico Norte, que afeta o clima na Europa e na América do Norte. Ao prever a Oscilação do Atlântico Norte no inverno, os modelos baseados na física apresentam normalmente pontuações de correlação de 0,3 a 0,6, em que 1 equivale a uma precisão perfeita em relação às condições observadas; o ACE2 obteve uma pontuação ligeiramente inferior a 0,5.

No entanto, foram observados diferentes níveis de exatidão em diferentes locais do mundo e, de um modo geral, o modelo baseado na aprendizagem automática (ML) ainda não superou a metodologia existente baseada na física, salientando as potenciais limitações de confiar apenas nas previsões sazonais baseadas na ML.

“Será importante aproveitar os benefícios destes modelos rápidos, baseados na aprendizagem automática, para acelerar as melhorias nas previsões sazonais, sem perder a compreensão da atmosfera baseada na física”, afirma Adam Scaife, diretor de previsões a longo prazo do Met Office.

Este estudo de prova de conceito representa um passo importante em direção à próxima geração de previsão meteorológica e sublinha a atenção contínua do Serviço Meteorológico em melhorar o poder da inteligência meteorológica.

“É um momento empolgante para a aprendizagem automática nas Ciências da Terra, uma vez que estamos a passar do clima a médio prazo para escalas sazonais e de tempo mais longas”, explica Oliver Watt-Meyer, investigador sénior para a modelação climática na Ai2.

É importante salientar que será necessário ir além da previsão apenas das condições atmosféricas e começar a incluir o oceano juntamente com outros componentes do sistema climático.

Os investigadores afirmam que é necessária mais investigação para compreender melhor as oportunidades e limitações da fusão dos pontos fortes da física e das previsões baseadas em IA/ML para obter previsões fiáveis a curto e longo prazo.

Referência da notícia

Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data, npj Climate and atmospheric science, August 2025. Kent, C. et al.