.
Recurso patrocinado Os humanos queriam saber o que o clima faria desde que entendemos como as forças da natureza determinavam nossas expectativas de sobrevivência. E já em nossa história, em 650 aC, os babilônios estudaram o aparecimento de padrões de nuvens como base de previsões de curto prazo.
Os métodos de previsão do tempo evoluíram desde então, a ponto de muitos dos computadores de melhor desempenho do mundo agora serem implantados para informar as previsões e nos ajudar a entender os fenômenos climáticos. Normalmente, isso envolve o uso de Previsão Numérica do Tempo (NWP) modelos – cálculos objetivos de mudanças no clima mapeado com base em equações matemáticas baseadas na física.
No entanto, essas técnicas têm limitações e nem sempre são a maneira mais conveniente de atender à crescente e diversificada demanda por conhecimento avançado sobre eventos climáticos iminentes. De acordo com uma equipe de pesquisa liderada por especialistas em soluções de sistemas da Lenovo e do Universidade de Connecticut (UConn) agora desenvolvendo uma nova abordagem baseada em Inteligência Artificial (IA) para traçar futuros climáticos, o interesse dos babilônios em formações de nuvens fornece um vetor instrutivo para novas reflexões sobre um desafio antigo.
“A prática da previsão do tempo é, em grande medida, uma interpretação do clima”, diz o Dr. Zaphiris Christidis, líder do segmento de clima do Grupo de Soluções de Infraestrutura (ISG) da Lenovo.
“Os meteorologistas humanos interpretam informações constantemente atualizadas fornecidas pelas agências e agências meteorológicas. Eles usam sua experiência e inteligência de previsão para chegar a um julgamento informado sobre o que o clima provavelmente fará. Com a UConn, estamos desenvolvendo uma plataforma que usa IA e redes neurais para entregar previsões, mas usando inteligência de máquina em vez de perspicácia humana.”
O negócio da previsão
Apesar de sua história longa e bem estabelecida, o setor de previsão do tempo continua a prosperar e se expandir. Não se sabe se os antigos observadores do tempo cobravam uma taxa por seus prognósticos, mas hoje, o tamanho do mercado de serviços de previsão do tempo deve crescer para US $ 5.483 milhões até o final de 2027 (Pesquisa e mercados). Também poderia expandir para valer entre US $ 4,6 bilhões (Pesquisa de Precedência) e US$ 4,19 bilhões (Pesquisa de mercado aliada) até 2030 – esse é um CAGR estimado de cerca de 10% nos períodos de previsão.
Certamente, a demanda por serviços de previsão do tempo cresceu acentuadamente nos últimos anos, impulsionada por verticais emergentes como transporte e logística, agricultura, seguros e gestão ambiental e marítima. Interesses adicionais de setores emergentes, como gerenciamento de desastres e mitigação de riscos, aumentaram essa demanda.
A inovação tecnológica também está desempenhando um papel crucial na condução desse crescimento exponencial, com a disponibilidade de recursos de computação de alto desempenho (HPC) ao lado de supercomputadores institucionais, radares de última geração, pequenos satélites, análise de Big Data – e, claro, IA.
Em geral, os serviços de previsão do tempo segmentam o mercado em tipos de previsão de curto prazo (até três dias), médio prazo (até 10 dias), longo prazo (até 30 dias) e estendido (dois a três meses) . Mas são as previsões de ultracurto prazo – ou ‘nowcasts’ – de resultados climáticos no período de três a seis horas, que são o foco do Lenovo ISG e colaboração UConn.
A Lenovo tem um alcance comprovado no setor de sistemas climáticos globais e já está trabalhando com uma longa lista de parceiros em centros climáticos operacionais e centros de pesquisa meteorológica localizados em todo o mundo. Isso inclui parcerias com a Centro Nacional de Meteorologia na Arábia Saudita e o Administração Meteorológica da Coreiapor exemplo.
O ‘AI Nowcasting Project’ da Lenovo/UConn aproveita uma rede neural e se baseia em técnicas de modelagem espaço-temporais do campo de detecção de anomalias desenvolvidas para realizar a detecção de anomalias de vídeo não supervisionadas para casos de uso de vídeo de vigilância.
Como uma aplicação genérica, ‘nowcasting’ é a previsão do tempo em um período meteorológico de mesoescala de muito curto prazo entre duas e seis horas (as definições variam). Tais previsões dependem de métodos de extrapolação ao longo do tempo de parâmetros climáticos conhecidos, em vez de modelos baseados em matemática.
“Existem, é claro, várias maneiras diferentes pelas quais a IA e o Deep Learning podem ser implantados para ajudar os meteorologistas, inclusive para aumentar o NWP”, diz Christidis. “No entanto, a maior parte do trabalho nesses campos ainda está em andamento. Para entender o que achamos que são as vantagens de nossa abordagem, primeiro você precisa entender as características das metodologias tradicionais de previsão”.
Grandes baldes de dados
Com ou sem IA, os modelos NWP são proficientes em prever sistemas climáticos típicos, mas têm suas limitações e pontos cegos, acrescenta Christidis. Eventos meteorológicos de macroescala, por exemplo, podem ocorrer quase sem aviso prévio. Os padrões climáticos para as perspectivas de médio prazo também podem mudar drasticamente no tempo entre a coleta de dados inicial e a emissão e execução de uma previsão.
Uma das limitações impostas ao ‘tempo de previsão’ é o tempo necessário para o processamento de dados. Manipular os vastos conjuntos de dados e processar os cálculos complexos necessários para a maioria dos NWP é demorado, mesmo para os supercomputadores mais poderosos usados pelas principais agências meteorológicas do mundo.
“Para os supercomputadores fazerem previsões meteorológicas, eles precisam obter dados meteorológicos”, diz Christidis. “Os dados usados na previsão do tempo são fornecidos por uma ampla variedade de fontes – satélites, estações meteorológicas, balões, aviões, navios no mar e muito mais. Os meteorologistas também podem acessar o Sistema Global de Telecomunicações que coleta e divulga dados quatro vezes ao dia em intervalos de seis horas. Resumindo, existem grandes conjuntos de dados disponíveis para modelos NWP.”
O tamanho dos conjuntos de dados fornecidos por essas diversas fontes pode ser qualquer coisa entre 1Gb e 1Tb, explica Christidis. E antes que os dados possam ser usados, eles devem passar por um estágio de controle de qualidade. Uma vez concluídos, os dados são importados para modelos matemáticos que os utilizam para basear as previsões.
“Esses modelos são equações que descrevem o estado, movimento e evolução temporal de vários parâmetros atmosféricos, como vento e temperatura”, diz Christidis, “portanto, um empreendimento bastante complexo e demorado”.
Transformar essas equações em informações de previsão precisas para uma determinada área geográfica requer um fator adicional – massas de poder computacional.
“Para obter as informações desses modelos leva bastante tempo… você tem esses dados meteorológicos que chegam ao centro meteorológico que leva talvez até duas horas para serem verificados e processados de qualidade”, explica Christidis. “Em seguida, eles distribuem os dados para outros serviços meteorológicos menores para previsões meteorológicas localizadas… de modo que adiciona mais ou menos uma hora ao prazo de entrega.”
Encurtando o ‘tempo de previsão’
A lógica do AI Nowcasting Project baseia-se em parte na redução do tempo de previsão usando a IA para obter informações básicas com base em fenômenos observados, em vez de processamento de dados em escala massiva. O detalhe que pode faltar é compensado em sua velocidade de entrega.
“Diferentes organizações têm requisitos de previsão do tempo muito diferentes – por exemplo, onde os engenheiros de manutenção estão programados para trabalhar em locais expostos e perigosos, lançamentos de foguetes ou eventos esportivos de alto nível”, diz Christidis. “Existem muitos casos de uso em que é mais importante saber rapidamente o que o clima fará no futuro iminente – as próximas três a quatro horas, digamos – em vez de detalhes em uma escala de tempo mais longa”,
Em vista disso, o AI Nowcasting Project usa imagens de dados de radar de refletividade observada – passadas e presentes – como sua fonte primária de dados. As imagens de dados de radar de refletividade apresentam uma imagem de alta definição do clima a partir da energia refletida de volta aos receptores de radar. As imagens de refletividade são as imagens de radar que aparecem com mais frequência nas atualizações meteorológicas da TV.
O AI Nowcasting Project analisa primeiro um conjunto de imagens de dados de radar de refletividade que pertencem a eventos climáticos passados reais que ocorreram em uma área geográfica específica – estes vieram do extenso banco de dados de imagens de radar de eventos climáticos da UConn. Ao fazer isso, o componente de IA do sistema é ‘treinado’ em como esses eventos climáticos evoluíram e se desdobraram em pontos de início a fim definidos.
A IA então aplica esse conhecimento a imagens de satélite em tempo real de padrões climáticos atuais para a mesma área geográfica, usando uma metodologia de Transformador Convolucional para obter uma visão extrapolativa de como “espera” que o clima se desenvolva.
“De forma muito simples, nosso protótipo interpreta os movimentos climáticos em andamento no contexto de eventos climáticos específicos passados nos quais foi treinado e postula uma ‘visão’ de como a situação atual se desenrolará”, explica Christidis. “Ele está interpretando os padrões climáticos atuais com base nos padrões climáticos passados e produzindo uma visão informada – ou previsão – de como as coisas vão acontecer”.
A colaboração da Lenovo e da UConn no AI Nowcasting Project começou em junho de 2022 e deve concluir sua primeira fase de desenvolvimento em agosto de 2023.
“Com UConn, continuamos a refinar os algoritmos, mas tivemos bons resultados que são extremamente promissores”, relata Christidis. “Mesmo neste estágio, acreditamos que as previsões baseadas na análise de IA de formações de nuvens provavelmente não são mais ou menos precisas do que as previsões equivalentes baseadas em NWP”.
Patrocinado pela Lenovo.
.
