Uma equipe da Universidade de Genebra (UNIGE) e do Instituto de Tecnologia de Karlsruhe mostra que os modelos numéricos clássicos ainda são mais confiáveis para prever fenômenos extremos, embora os modelos de inteligência artificial os superem em situações comuns. Esses resultados são publicados na Science Advances.
Observação da onda de calor que atingiu a Sibéria em 2020, batendo todos os recordes e provocando, entre outros, violentos incêndios florestais (imagem gerada a partir de dados do Centro Europeu de Previsões Meteorológicas de Médio Prazo).
Para prever o tempo dos dias ou semanas seguintes, os meteorologistas se baseiam em simulações geradas por modelos matemáticos complexos. Alimentados por grandes quantidades de dados — coletados por estações meteorológicas, satélites ou aviões — eles aplicam as leis da física a essas informações para simular o estado futuro da atmosfera.
O Centro Europeu de Previsões Meteorológicas de Médio Prazo, por exemplo, utiliza um modelo chamado High RESolution forecast ou "HRES". Ele fornece simulações para 35 países do continente com base nesse modelo.
Embora esse método seja confiável e robusto, ele também é caro e consome muita energia: requer um grande parque de supercomputadores, capazes de resolver milhões de equações várias vezes ao dia. "A introdução, há cerca de três anos, dos primeiros modelos baseados em inteligência artificial, paralelamente à abordagem numérica tradicional, abriu caminho para uma simplificação dos processos e uma redução de seus custos", explica Sebastian Engelke, professor do Research Institute for Statistics and Information Science da Geneva School of Economics (GSEM) da UNIGE.
Mas essa abordagem baseada em IA é capaz de prever a ocorrência, com até dez dias de antecedência, de eventos extremos muitas vezes sem precedentes? Em um estudo recente, a equipe de Sebastian Engelke mostra que a IA supera os modelos clássicos — no caso, o HRES — para prever situações comuns, mas comete erros maiores do que o HRES para prever a intensidade e a frequência de temperaturas e ventos extremos.
"O principal problema dos modelos de IA é sua dificuldade em generalizar além dos dados nos quais foram treinados, que abrangem o período entre 1979 e 2017. Eles tendem, assim, a se limitar aos valores extremos já observados no passado, como se esbarrassem em um teto implícito. Por outro lado, os modelos convencionais, baseados na física atmosférica, não são limitados por essa restrição e podem, teoricamente, representar situações inéditas", explica Zhongwei Zhang, ex-pós-doutorando na equipe de Sebastian Engelke, hoje afiliado ao Instituto de Estatística do Instituto de Tecnologia de Karlsruhe, e primeiro autor do estudo.
Esses resultados evidenciam as limitações atuais dos modelos meteorológicos baseados em inteligência artificial quando se trata de extrapolar além de seu domínio de aprendizado e prever eventos meteorológicos recordes. Eles destacam a necessidade de continuar sua avaliação e aprimoramento antes que possam ser usados de forma autônoma em sistemas de alerta precoce e gestão de desastres.