THE CONVERSATION:
A inteligência artificial (IA) revolucionou as previsões meteorológicas em apenas alguns anos, com modelos globais de IA agora capazes de produzir previsões que rivalizam com alguns dos melhores sistemas baseados em física do mundo.
Este progresso notável foi impulsionado por três fatores: grandes volumes de dados meteorológicos, avanços nos modelos de IA e poder computacional sem precedentes. Enquanto a maioria das discussões atuais sobre melhorar a IA para o clima se concentra nos modelos ou no novo hardware, os dados são cruciais.
Na escala global, a IA beneficiou-se de décadas de registros climáticos e meteorológicos que cobrem toda a Terra. Esses conjuntos de dados contêm milhões de exemplos de como as condições atmosféricas evoluem ao longo do tempo, permitindo que os modelos de IA aprendam padrões de uma maneira que seria impossível há uma década.
Mas quando você amplia o foco da escala global para a escala regional, as previsões começam a se tornar muito mais desafiadoras para a IA.
Essa diferença é importante para a previsão da intensidade de furacões.
O mundo tem visto muitos furacões se intensificarem rapidamente nos últimos anos, fortalecendo-se de tempestades relativamente fracas em monstros destrutivos em questão de horas. O Furacão Polo fez isso ao largo da costa do Pacífico do México, ao se fortalecer rapidamente de uma tempestade tropical no dia 21 de setembro de 2026 para um poderoso furacão de categoria 5 em 24 horas. Polo rapidamente se tornou uma das tempestades do Pacífico mais fortes da década, com ventos atingindo 180 mph.
Quando a intensificação rápida surpreende os previsores – como ocorreu com o Furacão Michael em 2018, quando ele se tornou um furacão destrutivo de Categoria 5 logo antes de atingir a Base Aérea de Tyndall e Mexico Beach, na Flórida, em 2018 –, as comunidades podem ficar com muito pouco tempo para evacuar e se preparar.
Por que a IA tem dificuldade com detalhes
Ao contrário das previsões meteorológicas globais, as previsões de intensidade de furacões são frequentemente consideradas um problema de previsão regional. As previsões regionais geralmente concentram-se em eventos extremos, como chuvas fortes, linhas de rajadas, tempestades severas ou furacões.
Esses eventos extremos muitas vezes se desenvolvem rapidamente ou deslocam-se rapidamente em períodos curtos. Capturar tal comportamento em modelos de IA exige dados com muito mais detalhe do que os conjuntos de dados globais atuais podem tipicamente fornecer.
Quando cientistas treinam modelos de IA para prever a intensidade de furacões, eles geralmente dependem de duas fontes de dados.
A primeira são as observações, que incluem medições de precipitação, temperatura próxima à superfície, velocidade do vento e outras variáveis meteorológicas coletadas em estações meteorológicas, radares, boias e satélites. Tais observações diretas podem ser detalhadas, mas muitas vezes estão limitadas a regiões próximas à costa e distribuídas de forma desigual, enquanto muitas das etapas mais importantes do desenvolvimento dos furacões ocorrem sobre o oceano aberto, onde as observações diretas são escassas.
Satélites modernos podem ajudar a preencher algumas dessas lacunas no oceano aberto, mas eles podem estimar apenas parte da precipitação, ventos superficiais ou temperaturas no topo das nuvens devido às limitações na cobertura dos satélites. Em particular, eles não podem simultaneamente varrer uma estrutura tridimensional completa de cada furacão ao redor do globo. Atualmente, mesmo os melhores sistemas de observação fornecem apenas uma visão parcial dos furacões em qualquer ponto no tempo.
A segunda fonte de dados de treinamento vem de simulações de modelos meteorológicos, que combinam condições atmosféricas e conhecimento da física para fornecer a imagem tridimensional mais completa da atmosfera em alta resolução.
No entanto, esses dados simulados também não são perfeitos, pois todos os modelos computacionais contêm aproximações e incertezas decorrentes do conhecimento incompleto da atmosfera da Terra. Dessa forma, sempre existem processos de pequena escala que as simulações dos modelos não conseguem capturar.
Portanto, atualmente simplesmente não temos um bom conjunto de dados tridimensional completo para treinar um modelo de IA para previsão da intensidade de furacões.
Outro desafio: Caos
Mas os dados não são o único problema para a previsão de furacões por IA.
Suponha que, no futuro, os cientistas possam medir toda uma tempestade, a cada segundo, para milhares de tempestades ao redor do mundo. Isso ainda pode não permitir que a IA preveja perfeitamente a intensidade dos furacões. A razão: o caos. Pequenas diferenças no estado inicial de um furacão podem crescer rapidamente com o tempo.
Minha pesquisa recente com colegas sugere que os furacões podem conter algum elemento de caos que pode impedir que modelos de IA prevejam com precisão a intensidade dos furacões em longos prazos de previsão.
Uma vez incorporada em um ambiente favorável, uma tempestade tropical pode se intensificar em direção à força máxima possível. Os cientistas denominam esse limite superior de intensidade potencial. Ele é determinado principalmente pelo ambiente circundante. Por exemplo, a água do mar quente pode alimentar a intensidade de um furacão, ou o cisalhamento do vento pode desacelerar o desenvolvimento de um furacão. Se a temperatura do oceano aumentar, a intensidade potencial de um furacão também aumenta.
Qualquer pequena perturbação também fará com que a intensidade do furacão flutue. Quanto mais quente a superfície do oceano, maiores as flutuações.
Estudos recentes propuseram que essas flutuações não são puramente aleatórias, mas ocorrem dentro do que é conhecido como atrator caótico – um conjunto de estados possíveis da tempestade dentro dos quais o furacão pode evoluir de forma imprevisível. Embora a existência de tal atrator de intensidade caótica ainda não tenha sido totalmente estabelecida, ela apresenta um dilema fundamental para treinar modelos de IA para prever a intensidade do furacão.
De um lado, os cientistas desejam que os modelos de IA façam as previsões mais precisas possíveis. Assim, durante o treinamento, o objetivo é minimizar a diferença entre a previsão e o que realmente acontece até que um modelo de IA atinja o menor erro possível.
Por outro lado, também queremos que o modelo de IA capture o caos intrínseco do furacão. Mas se um modelo de IA puder capturar esse caos, então seu erro não pode ser reduzido indefinidamente. Portanto, um modelo de IA treinado para minimizar o erro de previsão pode aprender a evolução mais provável de um furacão enquanto suaviza flutuações imprevisíveis. Nesse sentido, esses dois objetivos competem entre si.
Com os dados sempre contendo alguma incerteza, as regras que um modelo de IA aprende são apenas aproximações. A precisão da previsão da intensidade do furacão piorará, portanto, após apenas alguns dias.
O que será necessário para fazer melhores previsões?
O desafio para os modelos de IA preverem a intensidade dos furacões não se resume apenas à obtenção de mais dados, à construção de redes neurais melhores ou ao uso de computadores mais rápidos. Trata-se também de compreender os comportamentos dos furacões e como o caos na intensidade emerge.
Ambos ditam se os modelos de IA podem aprender o que é previsível e o que é imprevisível. Essa distinção não apenas limita a precisão atual das nossas previsões de intensidade de furacão, mas também determina a próxima geração de sistemas de previsão e avaliação do tempo, que devem focar em uma gama de possíveis intensidades de furacões e suas probabilidades, em vez de um único número de intensidade.
Escrito por Chanh Kieu, professor associado de ciências atmosféricas na Universidade de Indiana, nos Estados Unidos. Este artigo é republicado do The Conversation sob licença Creative Commons. Leia o artigo original aqui: https://theconversation.com/why-ai-has-trouble-predicting-the-fury-of-hurricane-intensity-287281.
