Por meio de equações complexas, baseadas nas leis da física, esses modelos são abastecidos com os dados coletados e indicam como o tempo vai se comportar ao longo dos próximos dias, semanas ou meses. Quanto maior o período previsto, maior tende a ser a incerteza dos resultados apresentados. Com base nas previsões efetuadas e nos resultados obtidos (previsto x ocorrido), esses modelos vão sendo aperfeiçoados e recalibrados.
Uma forma de analisar se um modelo está bem ajustado é verificar a sua capacidade de prever o ado. Explicando: podemos pegar um determinado modelo e abastecê-lo com os dados disponíveis em dezembro de 2023, janeiro, fevereiro e março de 2024 e verificamos se ele conseguiria prever as cheias que assolaram o Rio Grande do Sul a partir do final de abril e início de maio do ano ado.
É claro que houve modelos que indicaram a ocorrência de chuvas intensas para aquele período, mas interessa saber com qual antecedência eles conseguiram fazer isso. Essa é uma forma de avaliar a acuidade x antecedência preditiva de um modelo meteorológico ou climático.
Essa “previsão do ado” pode ser feita para diferentes períodos e eventos. Não somente chuvas intensas, mas também ondas de calor, estiagem severa e tudo aquilo que pode afetar de maneira significativa o nosso dia a dia. Isso permite recalibrar e aperfeiçoar os modelos em uso.
De maneira simplificada, esse é um processo chamado de assimilação de dados que consiste em integrar observações reais com uma previsão anterior do modelo. É um procedimento que permite corrigir erros e gerar uma melhor avaliação do estado atual da atmosfera e serve como ponto de partida para uma nova estimativa ser processada.
Estão em desenvolvimento sistemas climáticos que buscam no uso da Inteligência Artificial (IA) uma nova forma de melhorar a capacidade de realizar previsões meteorológicas e climáticas com maior acuidade e maior alcance (em dias, semanas ou meses). A perspectiva é que esses sistemas possam ser executados mais rapidamente e sem a necessidade do uso dos supercomputadores necessários ao processamento dos modelos convencionais. Alguns sistemas de previsões de IA já estão em uso, tanto isoladamente quanto em paralelo com modelos tradicionais.
A vantagem da IA é que as comparações com resultados anteriores podem ser feitas automaticamente, pois esses sistemas têm capacidade de aprendizagem. Dessa forma, os ajustes entre o prognosticado e o que realmente aconteceu são feitos de maneira instantânea, recalibrando a forma de avaliar os dados. Outra perspectiva é que os modelos que usam IA agreguem a física atmosférica com sistemas de aprendizado de padrões a partir de dados, o que seria uma abordagem inovadora.
Modelos climáticos tradicionais, como o IFS, ICON e GFS, têm como base princípios físicos bem consolidados, entre eles as equações de Navier-Stokes, o balanço de energia e os processos radiativos. Por isso, os resultados que esses sistemas produzem — como a previsão de uma frente fria ou a simulação da trajetória de um ciclone — podem ser associados diretamente a variáveis atmosféricas conhecidas e a processos físicos já amplamente estudados. Essa fundamentação permite que os meteorologistas interpretem e justifiquem com clareza as previsões feitas, apontando, por exemplo, a influência do transporte de ar frio em altitude ou de centros de baixa pressão na superfície.
Em contraste, modelos apoiados em inteligência artificial, como o GraphCast, o Pangu-Weather e o FourCastNet, são baseados em redes neurais profundas capazes de identificar padrões complexos a partir de grandes conjuntos de dados observacionais. Apesar de seu desempenho muitas vezes superar o dos modelos convencionais, esses sistemas operam como “caixas-pretas”: entregam resultados confiáveis, mas oferecem pouca visibilidade sobre o processo interno que leva a essas previsões.
Isso abre margem para dúvidas sobre a transparência e a confiabilidade desses modelos, especialmente diante de eventos extremos: quais fatores foram mais relevantes para o resultado? Há reprodução de algum viés dos dados de treinamento? Principalmente, como confiar plenamente em uma previsão sem compreender os mecanismos que a sustentam?
As respostas a essas perguntas podem definir o quanto conseguiremos nos antecipar, ou somente reagir, diante de uma catástrofe climática. Em resumo, quando as máquinas aprendem a prever tempestades esse resultado será plenamente confiável?