Prever o tempo nunca foi simples. Agora, com as mudanças climáticas embaralhando padrões históricos e tornando o clima mais instável, o desafio ficou ainda maior.
Um brasileiro é um dos criadores de uma inteligência artificial que, aplicada aos modelos tradicionais de previsão climática, aumenta substancialmente a assertividade das previsões.
O matemático Paulo Orenstein, do Instituto de Matemática Pura e Aplicada (IMPA), é coautor de um estudo que acaba de ser publicado na revista Nature e apresenta um método capaz de quase dobrar a habilidade preditiva no horizonte de duas a seis semanas.
Formado em economia pela PUC-Rio, Orenstein migrou para a matemática aplicada no mestrado, e concluiu seu doutorado em estatística em Stanford em 2019.
Aos 37 anos, é professor de estatística e machine learning no IMPA. Seu trabalho com previsões climáticas começou ainda no doutorado, quando participou de uma competição internacional que desafiava os pesquisadores a antecipar as condições meteorológicas com semanas de antecedência.
A limitação é conhecida dos meteorologistas: quanto maior o intervalo entre a previsão e o fenômeno, maior a dificuldade.
Os modelos tradicionais partem de dados atmosféricos – temperatura, pressão, umidade – e usam equações físicas para simular a evolução da atmosfera. O problema é que pequenas imprecisões nas condições iniciais tendem a se acumular ao longo do tempo.
“Esses erros seguem determinados padrões, que conseguimos identificar e corrigir,” Orenstein disse ao Brazil Journal. “A ideia é justamente atenuar esse acúmulo de desvios: se quero prever o clima daqui a três semanas, preciso lidar com os erros que se propagam a cada dia.”
Nos últimos anos, modelos baseados em AI passaram a oferecer uma alternativa: em vez de simular o comportamento da atmosfera a partir de equações físicas, eles aprendem padrões com grandes volumes de dados históricos.
Esses modelos exigem menos capacidade computacional e podem melhorar a precisão das previsões – mas também apresentam limitações, especialmente quando se trata de antecipar fenômenos raros e extremos.
O trabalho publicado na Nature não propõe substituir os modelos existentes por uma nova plataforma. A ideia é usá-lo como uma camada adicional de correção, aplicável tanto aos modelos tradicionais como aos que usam AI.
“Faz mais sentido pensá-lo como um corretor de rotas. Se você partir de um modelo bom, a nossa técnica torna esse modelo ainda melhor,” diz Orenstein.
Batizado de Probabilistic Bias Correction (PBC), o método estatístico aprende, com base em previsões anteriores, onde e como cada sistema costuma errar. A partir desse histórico, corrige os desvios de maneira sistemática.
O procedimento combina duas estratégias: uma ajusta erros específicos de cada local, data e intensidade; a outra incorpora observações recentes e informações sobre o comportamento climático esperado para aquele período.
A técnica foi testada em três variáveis meteorológicas (temperatura, precipitação e pressão atmosférica) no chamado horizonte subsazonal, que abrange previsões de duas a seis semanas.
Segundo os pesquisadores, o PBC dobrou a habilidade preditiva do sistema de inteligência artificial do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF). Também melhorou o desempenho de modelos dinâmicos que já passam por correções operacionais em 91% dos alvos de pressão, 92% dos de temperatura e 98% dos de precipitação.
Orenstein explica que a equipe comparou previsões dos principais centros meteorológicos globais com e sem a aplicação da técnica. A correção apresentou melhora em todas as variáveis analisadas.
O grupo – formado por pesquisadores de Harvard, MIT, Universidade de Toronto e outros centros de estudo – também testou a abordagem em uma competição internacional de previsões climáticas em tempo real, na qual ficou em primeiro lugar.
Como o código é aberto, centros meteorológicos, empresas e pesquisadores podem incorporar a correção a seus modelos. Orenstein afirma que a tecnologia já foi integrada à plataforma de clima da Microsoft, empresa com a qual alguns dos coautores trabalham.
A ampliação do horizonte de previsibilidade pode ter consequências concretas para setores que dependem das condições climáticas para planejar suas atividades.
Na agricultura, por exemplo, saber com algumas semanas de antecedência quando começa o período de chuvas pode ajudar produtores a decidir o momento do plantio, reduzir perdas e organizar o uso de insumos.
“Para o agricultor, não há pergunta mais importante do que saber quando começam as chuvas. Se plantar tarde demais, perde a janela de chuvas; se plantar cedo demais, pode enfrentar um período de seca que compromete o desenvolvimento das sementes.”
No Brasil, as aplicações potenciais incluem o planejamento energético, a gestão de reservatórios e a preparação para secas e ondas de calor.
Previsões mais confiáveis também dão à Defesa Civil mais tempo para agir diante de eventos extremos. A antecipação permite organizar respostas, mobilizar equipes e estruturas de atendimento e, quando necessário, retirar pessoas de áreas de risco.
“O horizonte mais interessante para essas ações é o subestacional, de três a seis semanas à frente, em que um país continental como o Brasil consegue tomar alguma ação no território nacional,” afirma.
Há, porém, um desafio adicional. As mudanças climáticas tornam mais difícil usar o passado como referência para antecipar o futuro. Os modelos dependem de séries históricas para aprender padrões, mas esses padrões podem deixar de representar as condições atuais.
A dificuldade é ainda maior quando o objetivo é prever eventos extremos, que são raros e, por isso, aparecem pouco nas bases históricas.
A combinação de AI e modelos tradicionais, segundo o pesquisador, pode ampliar a capacidade de antecipação, mas não elimina as incertezas inerentes à previsão climática nesses casos.
Mais do que saber se vai chover amanhã, previsões meteorológicas mais precisas podem dar a governos, empresas e agricultores algo valioso: tempo para se preparar.