A previsão do tempo é tradicionalmente realizada por modelos de circulação atmosférica (MCA), baseados em equações que descrevem a física da dinâmica dos fluidos. Essas equações permitem prever o estado futuro do sistema a partir de uma condição inicial. Mas se “basta” resolvê-las, por que a previsão do tempo ainda falha?

É essencial compreender que os modelos são aproximações da realidade. Para ilustrar, as equações são resolvidas em células de uma malha 3D que cobre a Terra. Cada célula possui vários quilômetros de lado, e, na vertical, a atmosfera é dividida em 10 a 30 camadas. Essa simplificação, que lembra o estilo do jogo Minecraft, ajuda a controlar a complexidade computacional, embora ainda exija supercomputadores como os do Centro Europeu de Previsões Meteorológicas a Médio Prazo (ECMWF) e da Administração Oceânica e Atmosférica Nacional dos EUA (NOAA).

Se o poder computacional fosse infinito, seria possível prever o tempo com perfeição, resolvendo as equações em células infinitesimalmente pequenas? Infelizmente não. Nos anos 1960, descobriu-se que a solução numérica dessas equações é instável, o que significa que pequenas variações nas condições iniciais podem gerar resultados totalmente diferentes em pouco tempo. Esse comportamento deu origem à teoria do caos, que estuda fenômenos inesperados em sistemas governados por leis conhecidas.

Resolver problemas complexos com rapidez crescente é uma das grandes promessas da inteligência artificial (IA). Na previsão do tempo, a IA já é utilizada há mais de 20 anos, inicialmente com modelos estatísticos e redes neurais que aprendiam a prever condições futuras com base em dados históricos de pequenas regiões.

Com avanços nas redes neurais e na capacidade computacional, modelos “treinados” com dados globais de centros como o ECMWF e o NOAA começaram a surgir, considerando simultaneamente todas as células do planeta. Essa nova geração de IA já oferece previsões comparáveis ou até superiores às dos MCA, com uma vantagem significativa: são até 10.000 vezes mais rápidas (muito esforço é usado na construção de uma grande rede neural; entretanto o seu uso para previsão é muito rápido). Exemplos notáveis incluem o GraphCast, do Google, e o Pangu, da Huawei.

Recentemente, uma colaboração entre Google e ECMWF criou o NeuralGCM, que combina aprendizado de máquina com leis da física. Esse modelo, embora mais lento que os de IA pura, captura melhor efeitos complexos, como padrões de ciclones, tornando-se altamente promissor para a previsão climática e outras áreas.

Essas novas tecnologias viabilizam simulações de cenários climáticos - incluindo  os impactos do aquecimento global devido ao aumento de gases de efeito estufa - em tempos computacionalmente acessíveis. Por isso serão essenciais para planejar ações para enfrentar eventos extremos, que tendem a se intensificar com as mudanças climáticas.