Google Revela Novo Modelo de Previsão do Tempo com IA, com Previsões Mais Rápidas e Precisas

Em resumo

• WeatherNext 2 gera centenas de previsões globais em menos de um minuto, permitindo atualizações de cenários mais frequentes do que os modelos convencionais.
• O Google já está a utilizar o sistema em Pesquisa, Gemini, Pixel Weather e Maps, com um lançamento mais amplo planeado.
• Uma nova abordagem de modelagem, Redes Gerativas Funcionais, aumentou a precisão em medidas-chave, incluindo rastreamento de ventos extremos e ciclones.

Hub de Arte, Moda e Entretenimento da Decrypt.

Descubra SCENE

O Google DeepMind apresentou na segunda-feira um novo sistema de previsão do tempo alimentado por IA, capaz de gerar previsões meteorológicas globais oito vezes mais rápido do que as ferramentas tradicionais, segundo afirmou.

Denominado WeatherNext 2, o sistema está a ser posicionado como uma ferramenta para ajudar as agências a prepararem-se para condições severas mais rapidamente, à medida que o mundo continua a lutar contra desastres naturais frequentes provocados por um clima cada vez mais quente.

Para fazer isso, gera centenas de cenários possíveis a partir de um único ponto de partida, cada um calculado em menos de um minuto em uma única Unidade de Processamento Tensorial, um chip especializado desenvolvido pela Google para acelerar cargas de trabalho de aprendizagem de máquina e IA.

“Dependemos de previsões meteorológicas precisas para decisões críticas - desde cadeias de suprimento até redes de energia e planejamento agrícola,” escreveu o cientista de pesquisa do Google DeepMind Peter Battaglia no X. “A IA está transformando a forma como prevemos o tempo.”

O tempo afeta tudo e todos. O nosso mais recente modelo de IA desenvolvido com @GoogleResearch está a ajudar-nos a prever melhor.

WeatherNext 2 é o nosso sistema mais avançado até agora, capaz de gerar previsões globais mais precisas e de maior resolução. Aqui está o que ele pode fazer - e porquê… pic.twitter.com/yVdFFlAHpE

— Google DeepMind (@GoogleDeepMind) 17 de novembro de 2025

<br>

Implantação em produtos do Google

O forecast WeatherNext 2 já está a funcionar na Pesquisa, Gemini, Pixel Weather e na API de Clima do Google Maps, com um suporte mais alargado a ser disponibilizado numa data posterior.

“Estamos a trabalhar com as equipas do Google para integrar o WeatherNext no nosso sistema de previsão,” disse Akib Uddin, gestor de produto do WeatherNext 2, em um comunicado. “Seja na pesquisa, Android ou Google Maps, o tempo afeta todos, e ao fazermos previsões meteorológicas melhores, conseguimos ajudar todos.”

Modelos convencionais podem levar horas, limitando a frequência com que os cenários podem ser atualizados, disse a DeepMind. Ao utilizar IA avançada, a WeatherNext 2 superou seu modelo operacional anterior, WeatherNext Gen, afirma a empresa.

“É cerca de oito vezes mais rápido do que o modelo probabilístico anterior que lançámos no ano passado, e em termos de resolução, é seis vezes maior”, disse Battaglia em um comunicado. “Portanto, em vez de fazer passos de seis horas, faz passos de uma hora. Supera o modelo anterior de previsão do tempo em 99,9% das variáveis que testámos.”

Em termos práticos, isso significa que o novo sistema produziu previsões mais precisas de temperatura, vento, humidade e pressão em quase todos os lugares e em quase todos os pontos da janela de 15 dias.

A DeepMind atribuiu os ganhos a uma nova abordagem de modelagem descrita em um artigo de pesquisa de junho sobre Redes Gerativas Funcionais, ou FGN, que altera a forma como o sistema representa a incerteza e gera variações de previsões.

Uma nova abordagem de modelagem

FGN é treinado apenas em previsões de uma única variável, ou “marginais”, como temperatura, vento ou humidade em um local específico, de acordo com o Google.

Apesar disso, o modelo aprende como essas variáveis interagem, permitindo-lhe prever padrões mais amplos e interconectados, como eventos de calor regional e o comportamento de ciclones.

O Google disse que o FGN igualou o GenCast em previsões extremas de temperatura a dois metros e superou-o em previsões extremas de vento a dez metros, dependendo da variável.

O modelo também mostrou uma calibração mais forte ao longo dos prazos e um desempenho melhor quando as previsões foram avaliadas em regiões maiores em vez de pontos individuais.

Usando o Continuous Ranked Probability Score—uma métrica de precisão padrão que verifica quão de perto a gama completa de resultados previstos de um modelo corresponde ao que realmente ocorreu—o artigo relata melhorias médias de 8,7% para CRPS de média agrupada e 7,5% para CRPS de máxima agrupada em comparação com o GenCast.

Desempenho da previsão de ciclones

A FGN também melhorou as previsões de ciclones tropicais.

Comparado com os registos históricos do Arquivo Internacional de Melhores Trajetos para a Gestão Climática, as previsões de média de conjunto reduziram os erros de posição em cerca de 24 horas de antecedência entre previsões de três a cinco dias.

Uma versão do FGN executada em intervalos de 12 horas mostrou um erro maior do que a versão de seis horas, mas ainda assim superou o GenCast em prazos de previsão além de dois dias.

As previsões de probabilidade de rastreamento mostraram um Valor Económico Relativo mais alto em relação à maioria das razões de custo-perda e prazos.

A DeepMind afirmou que ferramentas experimentais de previsão de ciclones construídas com esta tecnologia foram partilhadas com agências meteorológicas.

“Você obtém previsões mais precisas, e as recebe mais rapidamente, e isso ajuda todos a tomar as decisões corretas, especialmente à medida que começamos a ver mais e mais eventos climáticos extremos,” disse Uddin. “Eu acho que há um espectro inteiro de aplicações para uma melhor previsão do tempo.”