Orenstein e equipe vencem desafio global de previsão climática

O pesquisador do IMPA Paulo Orenstein integra a equipe vencedora da primeira etapa do AI Weather Quest, competição internacional promovida pelo European Centre for Medium-Range Weather Forecasts (ECMWF) e dedicada ao avanço das previsões climáticas subsazonais. O grupo reúne pesquisadores da Microsoft, da Universidade de Harvard, do Instituto de Tecnologia de Massachusetts (MIT), da Universidade de Toronto e da Rhiza Research.

A iniciativa tem como objetivo estimular o desenvolvimento de modelos capazes de antecipar condições de temperatura, precipitação e pressão atmosférica com antecedência de duas a seis semanas — um intervalo considerado um dos mais desafiadores da meteorologia. A equipe, batizada de MicroEnsemble, conquistou o primeiro lugar em todas as variáveis avaliadas e superou tanto os modelos dinâmicos operacionais de seis agências governamentais de previsão quanto os modelos de inteligência artificial desenvolvidos internamente pelo ECMWF e os sistemas de 30 equipes de todo o mundo.

Para enfrentar o desafio, os pesquisadores desenvolveram o Duet, um modelo que combina duas estratégias complementares baseadas em inteligência artificial (IA).

“Nosso modelo reúne duas ideias centrais: uma rede neural profunda baseada em transformers, capaz de prever o estado do tempo em vários instantes à frente, e uma técnica probabilística de correção de viés, fundamentada em aprendizado de máquina, que permite combinar previsões numéricas e baseadas em IA sem que os erros se acumulem de forma pronunciada. Essa integração faz com que o Duet supere tanto os modelos numéricos tradicionais quanto os modelos puramente baseados em IA”, explica Orenstein.

Com essa abordagem híbrida, o Duet alcançou um aumento superior a 200% na habilidade preditiva para temperatura, precipitação e pressão ao nível médio do mar. O modelo vencedor poderá, inclusive, começar a ser utilizado de forma operacional. Segundo Orenstein, a proposta do ECMWF é integrar os modelos premiados e testá-los em tempo real. 

As previsões climáticas subsazonais são estratégicas para áreas como gestão de recursos hídricos, planejamento agrícola, prevenção de incêndios florestais e antecipação de secas e eventos climáticos extremos, com impacto direto na formulação de políticas públicas e na tomada de decisões. Nesse contexto, o resultado também reforça o papel da matemática aplicada. “O prêmio evidencia como ideias matemáticas podem ter impacto em problemas muito concretos, como tempo e clima”, disse.

O desempenho da equipe vencedora reforça a atuação do IMPA em pesquisas de fronteira e evidencia a contribuição de seus pesquisadores para o desenvolvimento de soluções científicas voltadas a desafios globais, integrando matemática, dados e inteligência artificial.

Confira abaixo a entrevista com Paulo Orenstein. 

IMPA: O que representa vencer o AI Weather Quest em todas as categorias para você e para o IMPA?

Orenstein: É muito legal estar na interseção entre novos algoritmos, ideias matemáticas e aplicações com potencial de gerar benefícios concretos e amplos para a sociedade. Vencer esta etapa do AI Weather Quest também serve para mostrar que várias ideias que propusemos no passado, quando colocadas à prova, de fato conseguem melhorar substancialmente as previsões climáticas subsazonais. Esse horizonte subsazonal é considerado um dos mais desafiadores da área e, provavelmente, continuará sendo uma fonte importante de novas ideias em IA, estatística e clima. Participar desses avanços estando no Brasil é particularmente relevante, dado o impacto que as mudanças climáticas podem ter no país. E, do ponto de vista institucional, fazê-lo a partir do IMPA evidencia o papel fundamental que a matemática pode ter muito além da sala de aula. 

IMPA: O que diferencia o modelo desenvolvido por vocês (Duet) das abordagens tradicionais de previsão do tempo?

Orenstein: As abordagens clássicas de previsão do tempo dependem de modelos físicos que simulam o funcionamento da atmosfera. Embora esses modelos sejam muito bons no curto prazo (digamos, de algumas horas a alguns dias à frente), erros de medição e de aproximação começam a se propagar e se multiplicar, tornando a previsão muitos dias adiante cada vez mais difícil. Além disso, esses modelos são computacionalmente muito custosos.

Mais recentemente, modelos de IA têm obtido bons resultados em previsões climáticas de curto prazo, em grande parte graças à abundância de dados atmosféricos e climáticos disponíveis. Ainda assim, esses modelos também enfrentam dificuldades para estender previsões com qualidade por muitos dias.

O nosso modelo combina duas ideias: (i) uma rede neural profunda que utiliza *transformers* para prever o tempo em vários instantes à frente; e (ii) uma técnica probabilística de correção de viés, baseada em aprendizado de máquina, que permite combinar diversas previsões — numéricas e baseadas em IA — sem que os erros se acumulem de forma pronunciada. Essa junção faz com que o nosso modelo supere tanto as previsões baseadas em modelos numéricos quanto os novos modelos baseados puramente em IA.

IMPA: Como foi trabalhar em um time com pesquisadores de instituições como Microsoft, Harvard, MIT e University of Toronto?

Orenstein: Um trabalho como esse é essencialmente colaborativo. O volume de ideias, código e tarefas necessárias para produzir previsões globais semana após semana exige um esforço coordenado de várias pessoas. Nesse sentido, ter coautores de altíssimo nível em diferentes partes do mundo foi essencial e muito enriquecedor para o sucesso do projeto.

IMPA: Esse modelo já pode ser usado por órgãos de previsão ou ainda está em fase experimental?

Orenstein: Sim. A ideia do Centro Europeu de Previsão a Médio Prazo (ECMWF) é justamente que os modelos vencedores de cada etapa possam ser integrados e testados em tempo real. Estamos muito animados com essa possibilidade: ao longo dos últimos meses, nosso modelo tem superado os principais modelos operacionais usados no mundo.

IMPA: Quais os próximos desafios científicos depois desse resultado?

Orenstein: A competição AIWQ premia por temporada, e esta foi apenas a primeira. O próximo passo é adaptar nossas ideias para a próxima temporada: inverno (no hemisfério norte) e verão (no hemisfério sul). Sabemos que as estações têm um impacto forte na qualidade das previsões subsazonais, então há bastante trabalho pela frente. Além de preparar o modelo para a próxima etapa, seguir na competição é uma oportunidade de explorar novas ideias em estatística, matemática e aprendizado de máquina, avançando o nosso entendimento de fenômenos meteorológicos subsazonais.

IMPA: Que mensagem esse prêmio deixa para jovens pesquisadores interessados em matemática, clima e inteligência artificial?

Orenstein: A matemática é muito ampla, e há espaço para todos os perfis e interesses. Em particular, me interesso por uma matemática que preserva certa beleza intrínseca e, ao mesmo tempo, tem impacto em problemas muito concretos. Nesse sentido, o prêmio reforça o potencial das ideias matemáticas em áreas tão diversas quanto tempo e clima. Vale lembrar que a mesma matemática por trás de avanços meteorológicos recentes é a matemática que, décadas atrás, ajudou a revelar limitações fundamentais da nossa capacidade de prever sistemas caóticos, como o clima. Por fim, o resultado também evidencia o alcance que a inteligência artificial vem tendo em áreas essenciais para a sociedade — e, para nossa sorte, ela também tem sido uma fonte de muita matemática interessante.