Google WeatherNext 3: modelo de clima mais preciso do DeepMind
O lançamento
Google DeepMind e Google Research anunciaram o WeatherNext 3, que a empresa descreve como seu modelo de IA de previsão do tempo global mais avançado e preciso até hoje. A avaliação de destaque citada é a de rankings ao vivo independentes feitos pela Brightband. O modelo passa a alimentar as experiências de clima no Google Search, no app Gemini, no Google Maps, na API Weather do Google Maps Platform e no Google Earth Engine a partir do anúncio.
Resolução e frequência maiores
O WeatherNext 3 gera previsões de hora em hora em múltiplas resoluções espaciais: variáveis de superfície como temperatura e umidade a 5 quilômetros, outras variáveis de superfície a 10 quilômetros e variáveis atmosféricas, como velocidade do vento, a 25 quilômetros. O resultado é um panorama global cerca de cinco vezes mais nítido que o do WeatherNext 2, que operava em grade de 25 quilômetros com incrementos de 6 horas.
A arquitetura é um mesh transformer chamado Functional Generative Network (FGN), que recebe mosaicos ao vivo de satélites geoestacionários de atualização a cada hora junto com análises históricas, e produz campos gradeados densos, trajetórias discretas de ciclones e previsões nativas para coordenadas de estações.
Treinamento com dados do mundo real
A maior mudança está nos dados de treinamento. A maioria dos modelos de IA para clima, incluindo o WeatherNext 2, é treinada em saídas de modelos numéricos de previsão do tempo (NWP) - simulações físicas rodadas em supercomputadores que carregam um atraso de seis horas, o que gera vieses em variáveis de mudança rápida como chuva e temperatura de superfície. O novo modelo ingere mosaicos ao vivo de dados de satélites geoestacionários e também treina diretamente sobre observações esparsas de estações meteorológicas, o que permite capturar variações locais relevantes para comunidades próximas de litorais, vales e montanhas.
A empresa destaca que isso é particularmente importante para regiões da América Latina, África e Ásia-Pacífico, historicamente mal atendidas pela previsão de alta resolução por causa dos custos de supercomputação dos modelos regionais tradicionais.
Previsão de precipitação e energia limpa
Para precipitação, o modelo foi treinado em duas fontes de alta qualidade: o IMERG (Integrated Multi-satellite Retrievals for GPM) da NASA e a reanálise global de precipitação própria do Google, baseada em radar de satélite. Em previsões globais de médio prazo, avaliações contra baselines mostram melhora de CRPS (Continuous Ranked Probability Score) de até 60% contra o IMERG, 30% contra MRMS e 10% contra medições de pluviômetros para lead times iniciais.
O modelo também introduz variáveis voltadas à energia renovável: previsão de ventos a 100 metros de altura (aproximadamente na altura das turbinas) e cobertura de nuvens e radiação solar em alta resolução, para ajudar operadores de rede e desenvolvedores a estimar a geração de parques eólicos e solares.
Acesso e ressalvas
Dados de previsão atualizados de hora em hora estarão disponíveis para consulta no BigQuery e no Earth Engine, ou por download em massa no Google Cloud Storage, sem configuração de modelo. No uso dentro dos apps do Google, previsões de precipitação para um dia ou mais à frente ficam até 50% mais precisas, com os maiores ganhos nas regiões historicamente menos bem previstas.
A publicação reconhece que a atmosfera sempre manterá um grau de imprevisibilidade e orienta que previsões oficiais, avisos de tempo severo e alertas de segurança continuem sendo consultados nos serviços meteorológicos nacionais.