Melhoria da precisão das previsões meteorológicas
(ourworldindata.org)- As previsões meteorológicas deixaram de ser apenas uma conveniência do dia a dia e se tornaram uma infraestrutura de gestão de riscos para resposta a tempestades e ondas de calor, agricultura, redes elétricas e transporte aéreo e marítimo
- A precisão melhorou muito ao longo de várias décadas: a previsão de 4 dias atual do Met Office é tão precisa quanto a previsão de 1 dia de 30 anos atrás, e o erro de trajetória de furacões nos EUA em 48 horas caiu de 200–400 milhas náuticas nos anos 1970 para cerca de 50 milhas náuticas hoje
- Redes de observação mais densas, computadores mais rápidos, modelos numéricos de previsão mais sofisticados e a distribuição via smartphone e internet elevaram ao mesmo tempo a qualidade da previsão e a velocidade de uso
- Países de baixa renda ainda têm grandes lacunas por falta de equipamentos de observação e menor frequência de reporte, e a previsão de 7 dias de países ricos pode ser mais precisa do que a previsão de 1 dia de alguns países de baixa renda
- Mesmo previsões precisas têm efeito limitado se não chegarem às pessoas a tempo, e sistemas de alerta precoce, além de IA, drones e tecnologias móveis, são a chave para reduzir a desigualdade de acesso
Previsão meteorológica além da informação cotidiana
- As previsões meteorológicas vão muito além de ajudar a planejar um churrasco ou decidir levar guarda-chuva; elas estão diretamente ligadas a vidas e meios de subsistência
- Avisar com antecedência sobre tempestades, ondas de calor e desastres dá às comunidades tempo para reduzir danos
- Agricultores dependem das previsões para decidir semeadura, irrigação, uso de fertilizantes e resposta a pragas e doenças
- Operadores de rede elétrica usam informações meteorológicas para prever a demanda por aquecimento e refrigeração, além da geração de energia eólica e solar
- Para pilotos e marinheiros, isso se torna informação essencial para manter a segurança do transporte aéreo e marítimo
A precisão das previsões melhorou muito ao longo de décadas
- A previsão do tempo é tentada há muito tempo, mas o grande ponto de virada veio a partir dos anos 1960 com a introdução da modelagem numérica baseada em computadores
- O UK Met Office publicou sua primeira previsão meteorológica para navios em 1859 e, dois anos depois, transmitiu a primeira previsão pública
- Hoje, a previsão de 4 dias do Met Office é tão precisa quanto a previsão de 1 dia de 30 anos atrás
- Os dados de erro de trajetória de furacões e ciclones do National Hurricane Center dos EUA também mostram grande melhora
- Nos anos 1970, o erro de trajetória de uma previsão de 48 horas era de 200–400 milhas náuticas
- Hoje, o erro de trajetória de uma previsão de 48 horas está em torno de 50 milhas náuticas
- Nas décadas de 1960 e 1970, o erro de uma previsão de 72 horas passava de 400 milhas náuticas, mas hoje caiu para menos de 80 milhas
- Com previsões mais precisas do ponto de chegada de furacões com 3 a 4 dias de antecedência, cidades e comunidades conseguem se preparar melhor e também reduzir evacuações desnecessárias que antes seriam realizadas
Melhoria das previsões de longo prazo com modelos globais
- O European Centre for Medium-Range Weather Forecasts cria modelos numéricos meteorológicos globais
- Agências meteorológicas nacionais usam processamento de resolução mais alta para previsões regionais, mas os modelos globais são insumos importantes para esses sistemas
- A análise de erro do ECMWF compara a diferença entre previsões feitas com 3, 5, 7 e 10 dias de antecedência e o resultado real do tempo
- Como indicador de análise, usa-se a altura geopotencial de 500 hPa, uma métrica meteorológica ligada à pressão atmosférica que influencia os padrões do tempo
- A previsão de 3 dias já era bastante precisa desde os anos 1980, e hoje sua precisão é de cerca de 97%
- O ganho de desempenho fica mais evidente quanto maior é o horizonte da previsão
- No início dos anos 2000, a previsão de 5 dias atingiu um nível considerado “muito preciso”
- A previsão de 7 dias agora está se aproximando desse padrão
- A previsão de 10 dias ainda não chegou ao mesmo nível, mas continua melhorando
Fatores tecnológicos por trás do ganho de precisão
- Os dados de observação passaram a cobrir áreas maiores com resolução mais alta
- Mais e melhores dados de satélite passaram a ser usados
- Estações de observação em solo cobrem mais áreas com maior densidade
- A precisão dos equipamentos de observação também aumentou
- Os modelos numéricos de previsão usam essas observações como entrada para prever o tempo
- O avanço no desempenho dos computadores tornou possível fazer cálculos em grades mais detalhadas
- O Met Office no passado modelava o mundo com grades de 90 km
- Hoje, chega a grades de 1,5 km
- Quanto maior a resolução, maior também a quantidade de cálculo necessária
- Os métodos para transformar observações em saídas de modelo também evoluíram, permitindo capturar sistemas meteorológicos complexos com muito mais detalhe do que em visões simplificadas do mundo
- A mudança nos meios de distribuição também aumentou a utilidade prática das previsões
- No passado, as atualizações vinham uma vez por dia pelos jornais diários
- Depois da popularização do rádio e da TV, passou a ser possível receber alertas algumas vezes ao dia
- Hoje, é possível ver atualizações em intervalo de minutos pela internet e no smartphone
A lacuna de previsão que ainda permanece em países de baixa renda
- Na Escócia, é possível ver em segundos no aplicativo do smartphone uma previsão razoavelmente precisa de 5 dias, mas esse mesmo nível de informação não está disponível para todos
- Segundo um artigo recente de Manuel Linsenmeier e Jeffrey Shrader, a previsão de 7 dias de países ricos pode ser mais precisa do que a previsão de 1 dia de alguns países de baixa renda
- As previsões nacionais melhoraram com o tempo em países de todas as faixas de renda, mas a diferença atual de qualidade continua grande, em nível quase semelhante ao dos anos 1980
- O centro dessa desigualdade está na infraestrutura de observação e na frequência de reporte
- Países mais pobres têm muito menos equipamentos de observação em solo e radiossondas
- A frequência de reporte de dados meteorológicos também é muito menor
- Também há grande diferença nos gastos com informação de tempo e clima
- Países de baixa renda gastam de 15 a 20 vezes menos por pessoa do que países de alta renda
- Ainda assim, considerando o tamanho da economia, a proporção do gasto em relação ao PIB é maior nos países de baixa renda
Previsões ainda mais necessárias para as pessoas mais vulneráveis
- 60% dos trabalhadores de países de baixa renda atuam na agricultura, um setor extremamente dependente do clima
- Muitos deles são pequenos agricultores e frequentemente vivem em pobreza extrema
- Previsões precisas ajudam diretamente na tomada de decisão dos agricultores
- É possível saber o melhor momento para plantar
- Dá para antecipar quando a irrigação será mais necessária ou quando há maior risco de a chuva carregar o fertilizante
- Alertas de pragas e doenças permitem proteger as lavouras quando um ataque está próximo e reduzir o uso de pesticidas quando o risco é baixo
- Maior acesso às previsões permite usar recursos valiosos como água, fertilizante e trabalho de forma mais eficiente
- Boas previsões meteorológicas fazem uma diferença especialmente grande para as pessoas mais pobres do mundo
Previsão precisa, sozinha, não basta
- Para se preparar para ciclones, ondas de calor, enchentes e ressacas de tempestade, é preciso não só precisão na previsão, mas também um sistema de distribuição
- Receber previsões precisas com alguns dias de antecedência permite que cidades e comunidades se preparem
- Moradias podem ser protegidas
- Serviços de emergência podem ficar de prontidão para apoiar a recuperação
- Muitos dos desastres mais letais das últimas décadas foram previstos com precisão com antecedência, mas o ponto de falha em comum foi a distribuição deficiente
- A previsão só ganha valor quando é comunicada de uma forma que as pessoas realmente possam usar para agir
- A World Meteorological Organization estima que cerca de um terço do mundo, principalmente nos países mais pobres, ainda não conta com sistemas de alerta precoce
O papel do investimento e das novas tecnologias
- Em algumas regiões, boas previsões e distribuição rápida já são vistas como algo garantido, mas oferecer isso a todos já faria uma enorme diferença
- Em um contexto em que a mudança climática aumenta o risco de desastres relacionados ao tempo, previsões melhores são uma ferramenta importante de adaptação às mudanças climáticas
- Para reduzir a desigualdade, investimento adequado e apoio financeiro são indispensáveis
- Novas tecnologias podem acelerar o ritmo de melhora
- Um artigo recente publicado na Nature registrou que o sistema de IA Pangu-Weather pode gerar previsões tão precisas quanto as das principais instituições meteorológicas, ou até mais precisas, com velocidade até 10.000 vezes maior
- O Pangu-Weather foi treinado com 39 anos de dados históricos
- Com previsões mais rápidas, o custo operacional cai, o que pode levar resultados melhores até a países com orçamento limitado
- Tecnologias mais rápidas e eficientes podem reduzir lacunas em áreas sem estações meteorológicas terrestres
- Drones equipados com sensores podem inspecionar regiões específicas e criar mapas em resolução mais alta
- Combinar formas baratas e eficientes de gerar previsões com tecnologia móvel permite entregar informação rapidamente
- Algumas empresas já enviam mensagens a agricultores de países de baixa renda orientando sobre o melhor momento para plantar
- Essas inovações ajudam a criar países mais resilientes ao clima de hoje e são essenciais em um mundo onde o tempo pode se tornar ainda mais extremo
1 comentários
Opiniões no Hacker News
O quão boa é a previsão parece depender de qual modelo meteorológico é usado. O clima do Apple Watch parece bater quase exatamente com o GFS; o GFS é bom para previsões de médio prazo, mas não é muito útil no curto prazo. Para um ou dois dias à frente, acho o NAM melhor; para algumas horas à frente, o HRRR é melhor.
Em vez de deixar algum serviço agregador simplificar o tempo para você, também dá para consultar os dados brutos diretamente: https://weather.cod.edu/forecast/
Em eventos grandes, os briefings de mídia do National Weather Service são bons, mas às vezes as atualizações param cedo. Algumas semanas atrás, havia alta probabilidade de muita neve em Nova York, mas as atualizações pararam por volta das 9h, e a previsão era de que a neve começaria por volta das 13h. Olhando os modelos de curto prazo, a probabilidade de neve estava diminuindo e, na prática, quase nada acumulou. Quanto mais perto do evento, mais precisa fica a previsão; então, se quiser, você sempre pode consultar mais dados por conta própria.
Não sei se alguém acompanha Skip Talbot, mas ele estava olhando o helicity swath do HRRR para algumas horas à frente e encontrou valores altos; a rota em que o HRRR previa rotação forte coincidiu quase exatamente com o trajeto de um grande tornado real.
https://www.youtube.com/@markfinanweather
Mais do que saber que há 50% de chance de chover amanhã, importa ter informações por hora, como: às 9h, quando vou para o trabalho, a probabilidade de precipitação é 10%, e ao meio-dia é 90%. Se for chover, também é preciso ver vento e temperatura, e essas informações devem ser apresentadas como um mosaico.
Para esse objetivo, sinto que a previsão local horária da NOAA é imbatível: em https://www.weather.gov/okx/, basta inserir o CEP e entrar na previsão local por hora.
Exemplo: https://forecast.weather.gov/MapClick.php?lat=33.797&lon=-11...
Seria bom ter um app Android que oferecesse esse nível de detalhe e, de preferência, que não ficasse escutando pelo microfone.
https://windy.com
Minha sogra sempre repassa o tempo que viu perguntando ao Google ou na TV, e geralmente está errado. As informações não agregadas são excelentes e quase sempre mais precisas do que o que é divulgado por outras fontes.
Recomendo The Weather Machine, de Andrew Blum. É um livro que trata da história das previsões e do que acontece hoje nos bastidores.
O livro acompanha antigas estações meteorológicas, o lançamento de novos satélites, os esforços dos cientistas para criar modelos atmosféricos em supercomputadores e até a história desses algoritmos. Ele aborda como entramos numa era de ouro da meteorologia, mas ainda não confiamos plenamente nessas ferramentas e tampouco podemos garantir a frágil cooperação internacional que viabiliza o sistema meteorológico moderno.
https://www.andrewblum.net/the-weather-machine-2
https://www.goodreads.com/en/book/show/42079139
Para a história bem inicial da meteorologia, The Invention of Clouds, sobre Luke Howard, também vale a pena.
https://www.goodreads.com/book/show/1148768.The_Invention_of...
https://en.wikipedia.org/wiki/Luke_Howard
Pelo que lembro de ter lido em The Signal and The Noise, as pessoas tendem a sentir que a previsão foi ruim quando disseram que a probabilidade de chuva era menor que 50% e mesmo assim choveu.
É irritante quando dizem que provavelmente não vai chover e chove, mas quando dizem que provavelmente vai chover e o dia fica ensolarado, é uma surpresa agradável. Então, para fazer as pessoas julgarem uma previsão como “boa”, seria preciso ajustar a probabilidade de precipitação para cima de forma absurda, e o livro dizia que os serviços de previsão para consumidores fazem isso.
https://en.wikipedia.org/wiki/The_Signal_and_the_Noise
Na Holanda, a chuva costuma ser muito localizada; mesmo que a probabilidade de precipitação hoje seja de 100%, ela pode cair espalhada ao longo de 1 ou 2 horas do dia, e às vezes vem muito forte e para logo em seguida. Os casos em que errava eram mais quando uma nuvem de chuva em movimento passava por pouco ao lado por causa de uma mudança no vento.
Na prática, há incontáveis formas de uma previsão estar errada e apenas algumas formas de estar certa.
No geral, acho as previsões surpreendentemente precisas. No Meio-Oeste, especialmente na área de mercado de Chicago, isso acontece porque o tempo atravessa uma grande extensão dos EUA ou do Canadá antes de chegar até nós; lugares costeiros, onde há mais variabilidade e é mais difícil prever, podem ser diferentes.
Quando se vive em uma região com muitos furacões, como a Flórida, dá para perceber que as previsões melhoraram muito, mas também que ainda há enorme margem para melhora.
Não tenho nenhuma afiliação, mas recomendo https://www.forecastadvisor.com/ para ver qual previsão é a melhor na sua cidade. Depois de olhar isso, troquei completamente de provedor de clima e agora parece muito melhor.
Se você tem interesse em ler o tempo sem previsão, ou para complementar a previsão, The Secret World of Weather: How to Read Signs in Every Cloud, Breeze, Hill, Street, Plant, Animal, and Dewdrop, de Gooley, também é uma leitura interessante.
Os apps locais usam dados da Japan Meteorological Agency; o Apple Weather também, e o Carrot Weather passou a fazer isso depois de uma atualização recente. Mesmo assim, Apple Weather e Carrot Weather ainda dão resultados diferentes entre si.
Quando viajo para fora do Japão, fico ainda mais perdido, então deixo a fonte do Carrot Weather como Apple Weather. Pelo menos, quando possível, ele usa dados dos serviços meteorológicos locais: https://developer.apple.com/weatherkit/data-source-attributi...
O artigo trata principalmente de previsões de longo prazo, mas também venho ficando impressionado com a qualidade e a confiabilidade dos alertas de tempestade iminente. Eles já me ajudaram a evitar ficar encharcado por chuva forte, ou a encostar o carro e descansar antes de um temporal.
Isso não recebe muita atenção, mas, como o texto diz, o progresso tem sido constante e significativo.
O texto diz que a melhoria das previsões em países de baixa renda é subestimada, e fico curioso se há estudos prevendo que impacto previsões melhores teriam. Ajudar pessoas pobres com tecnologia é o tipo de projeto que muitos filantropos poderiam se interessar, e espero que seja mais eficaz do que coisas como gravity light.
A tecnologia moderna é incrível.
Sou a pessoa que criou a API meteorológica open source open-meteo.com.
O futuro da previsão do tempo provavelmente dependerá muito de modelos de IA. O artigo trata do Pangu Weather, e nos comentários do HN o GraphCast também foi citado como exemplo. Curiosamente, em 1º de março, o European Centre for Medium-Range Weather Forecasts (ECMWF) publicou como dados abertos seu novo modelo de previsão do tempo com IA, o AIFS.
Esse modelo não só é mais preciso que os modelos numéricos existentes, como também exige muito menos poder computacional para rodar. O ECMWF também publicou uma comparação mostrando que o AIFS supera outros modelos em precisão de previsão: https://www.ecmwf.int/en/about/media-centre/aifs-blog/2024/f...
O que foi mencionado no texto está, em geral, correto. Dados brutos melhores, computadores mais rápidos, grades menores, algoritmos de previsão melhores etc. produzem hoje informações meteorológicas muito melhores no geral
Mas isso também significa que passou a ser necessário mais esforço para obter resultados melhores para uma pessoa específica. É preciso avaliar coisas como qual algoritmo o app usa, se ele localiza a previsão até o nível do bairro ou da rua, com que frequência atualiza e se o GPS é preciso. Normalmente não pensamos nisso, mas pequenos ajustes podem melhorar muito o resultado
É verdade que as previsões melhoraram, mas já aconteceu de chover forte por mais de 30 minutos em uma cidade inteira e, ainda assim, o app de clima não reconhecer que estava chovendo naquele momento e mostrar apenas nublado. Até hoje não sei como isso é possível
Já vi algo parecido em Minnesota, dirigindo no meio de uma nevasca enquanto o radar não mostrava nada
O segundo caso é bem comum. Os modelos usam estimativas probabilísticas, em que diferentes condições iniciais geram resultados diferentes, e a quantidade de “resultados com chuva” determina a probabilidade de precipitação; por isso, eles não necessariamente são atualizados com as condições observadas reais
Ainda assim, concordo com esse desconforto e cinismo. Não é bom o suficiente. Digo isso porque já tive uma função que envolvia publicar esse tipo de previsão “sempre desatualizada”
Fiz meteorologia no ensino médio, e o professor nos fazia praticar previsões todos os dias; acho que isso ajudaria especialmente pessoas que dão peso excessivo às próprias anedotas
Bastava prever o tempo do dia seguinte por conta própria e comparar com a previsão anunciada. Na nota, o que importava não era quão preciso você foi, mas se fez o exercício de forma sistemática
Ao fazer isso, você passa a valorizar a qualidade das previsões e percebe que a frase “os meteorologistas sempre erram” não é nem um pouco verdadeira. Muitas reclamações vêm da falta de rigor na observação. Para refutar a precisão de uma previsão do tempo, ou de qualquer outra previsão, é preciso apresentar evidências sólidas
Já ouvi um podcast que entrevistava alguns cientistas do ECMWF (European Centre for Medium-Range Weather Forecasts)
Acho que, nesse episódio, alguém disse que “a cada 10 anos, as previsões melhoram em um dia”
Ele foi gravado em 2019, então IA ainda não era um assunto tão grande quanto é hoje. Ainda mais considerando que o Google apresentou um modelo de clima com IA em novembro do ano passado
https://omegataupodcast.net/326-weather-forecasting-at-the-e...
https://deepmind.google/discover/blog/graphcast-ai-model-for...