Principais destaques
- Previsões mais precisas: método da Microsoft aprimora modelos meteorológicos e melhora resultados em previsões de longo prazo.
- Resultados expressivos: a técnica dobrou a precisão do sistema de previsão com IA do Centro Europeu de Previsões Meteorológicas de Médio Prazo em horizontes de duas a seis semanas.
- Limites da inteligência artificial: o Google DeepMind calculou com grande precisão a trajetória do furacão Isaias, mas subestimou sua intensidade antes de atingir a costa.
A inteligência artificial está avançando em uma das tarefas mais difíceis da meteorologia: antecipar o comportamento da atmosfera com semanas de antecedência.
Um novo método desenvolvido por pesquisadores da Microsoft promete melhorar previsões de duas a seis semanas, enquanto testes com o modelo do Google DeepMind mostram que acertar a trajetória de um furacão não significa, necessariamente, prever sua força corretamente.
🌦️ Uma nova camada de inteligência para a meteorologia
Prever o tempo com semanas de antecedência é um desafio diferente de antecipar se vai chover amanhã. Pequenos erros nas condições atmosféricas iniciais podem se acumular, dificultando a identificação de padrões que determinam temperaturas, chuvas e eventos extremos.
É nesse problema que entra a Correção Probabilística de Viés (PBC, na sigla em inglês), método apresentado por pesquisadores da Microsoft em um estudo publicado na revista Nature.
Em vez de substituir os modelos meteorológicos existentes, a técnica aprende com os erros sistemáticos de previsões probabilísticas anteriores e usa esse conhecimento para ajustar os resultados seguintes.
🔎 A diferença está na correção: em vez de simplesmente produzir outra previsão, o sistema procura identificar onde um modelo costuma errar e compensar essas tendências.
📊 Os números chamam a atenção
Nos testes com o Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), o método melhorou o desempenho do modelo tradicional baseado em física, que já possuía seu próprio mecanismo de correção de erros.
Os pesquisadores registraram melhorias em:
- 98% das metas de precipitação avaliadas.
- 92% das metas de temperatura.
- 91% das metas de pressão atmosférica.
O sistema também dobrou a precisão do modelo de previsão com inteligência artificial do ECMWF para horizontes entre duas e seis semanas.
Outro resultado veio de uma competição de previsão em tempo real realizada pelo centro europeu em 2025. Segundo o estudo, as previsões corrigidas pelo PBC ficaram em primeiro lugar em todas as variáveis meteorológicas e prazos considerados, superando 34 equipes e seis centros nacionais de previsão.
💡 O avanço não depende necessariamente de criar um modelo meteorológico inteiramente novo. Aprender a corrigir os erros dos sistemas existentes também pode produzir ganhos importantes.
🌪️ O problema das previsões de eventos extremos
Melhorar a precisão média é importante, mas existe um teste ainda mais exigente: prever tempestades e outros fenômenos extremos.
Judah Cohen, climatologista do MIT e coautor do estudo, afirmou ao Gizmodo que métodos anteriores de correção de viés podiam piorar as previsões de eventos extremos. Segundo ele, a nova abordagem apresentou melhorias nesse aspecto.
Em testes retrospectivos envolvendo enchentes, a ferramenta teria tornado as previsões entre 76% e 92% mais precisas.
Os resultados são promissores, mas precisam ser interpretados dentro do contexto dos experimentos. Desempenho em dados históricos não garante o mesmo resultado em todos os eventos futuros, especialmente quando as condições meteorológicas são incomuns.
💻 Outro detalhe relevante: segundo Lester Mackey, da Microsoft, o código é aberto e pode ser executado em processadores comuns, sem depender necessariamente de supercomputadores. Isso pode facilitar a experimentação e a adoção da técnica por outras equipes.
Matthew Chantry, do ECMWF, ponderou, porém, que transformar uma ideia de pesquisa em um sistema operacional de previsão é um desafio considerável.
🌀 Google DeepMind acerta a rota, mas erra a força
O desempenho do PBC não é o único sinal de avanço da meteorologia baseada em IA. A análise do furacão Isaias, que atingiu a costa da Flórida em 9 de outubro, também ilustra tanto o potencial quanto as limitações dessa tecnologia.
O fenômeno chegou perto de Destin como um furacão de categoria 2, com ventos de aproximadamente 170 km/h.
Nas 72 horas anteriores à chegada à costa, as previsões de trajetória apresentaram os seguintes erros médios, segundo os números compilados pelo meteorologista Jeff Berardelli, da WFLA:
| Modelo | Erro na trajetória |
|---|---|
| Google DeepMind | 31 km |
| Modelo europeu de IA | 58 km |
| Modelo americano GFS | 191 km |
A diferença é expressiva: o erro de trajetória do DeepMind foi cerca de seis vezes menor que o do GFS nesse período.
Mas havia uma ressalva importante.
O modelo do Google também antecipou que a tempestade ganharia força na região central do Golfo. Perto da costa, entretanto, enfraqueceu o sistema rápido demais e o classificou como um furacão de categoria 1, de menor intensidade, cerca de 90 minutos antes de o fenômeno tocar a terra.
⚠️ Uma trajetória correta não basta
O episódio mostra por que previsões meteorológicas não podem ser avaliadas por um único indicador.
Saber onde um furacão vai chegar é fundamental para preparar evacuações e mobilizar equipes de emergência. Mas prever sua intensidade também é decisivo para estimar danos, identificar áreas de maior risco e dimensionar a resposta das autoridades.
O The Weather Channel informou que modelos específicos para furacões da Administração Nacional Oceânica e Atmosférica dos Estados Unidos (NOAA) tiveram desempenho melhor ao identificar uma faixa incomum de ventos fortes, conhecida como sting jet, no lado oeste da tempestade.
O resultado reforça a necessidade de comparar diferentes modelos e avaliar cada componente da previsão, em vez de declarar um vencedor absoluto.
🧠 Meteorologistas continuam essenciais
James Franklin, ex-chefe de divisão do Centro Nacional de Furacões dos Estados Unidos, alertou contra a dependência exclusiva da inteligência artificial.
Segundo ele, as previsões oficiais do NHC e os melhores modelos de consenso ainda superam a IA na maioria dos pontos de uma previsão.
Isso não diminui a importância dos avanços recentes. Mostra que o caminho mais promissor pode estar na combinação entre modelos físicos, aprendizado de máquina, dados observacionais e conhecimento especializado.
A Microsoft aposta em uma técnica capaz de corrigir erros recorrentes e ampliar a utilidade das previsões de longo prazo. O Google DeepMind demonstra que modelos de IA já podem competir em tarefas complexas de previsão de trajetórias.
A questão agora é transformar esses resultados em alertas confiáveis no mundo real. Afinal, antecipar um evento extremo com semanas de antecedência só será realmente útil se a previsão também conseguir comunicar, com precisão suficiente, onde o perigo estará e qual será sua intensidade.
