WeatherNext 2: o modelo de previsão do tempo mais avançado do Google DeepMind

• WeatherNext 2 é um modelo baseado em IA que melhora significativamente a precisão e a eficiência da previsão meteorológica global
• Gera centenas de cenários meteorológicos em menos de 1 minuto em uma única TPU, oferecendo velocidade de previsão 8 vezes maior do que os modelos anteriores
• Por meio da nova arquitetura Functional Generative Network (FGN), mantém previsões fisicamente consistentes e oferece suporte até a resolução horária
• Os dados de previsão estão disponíveis no Earth Engine e no BigQuery, e recursos de inferência personalizada são oferecidos por meio do programa de acesso antecipado do Vertex AI
• Essa tecnologia aprimora recursos relacionados ao clima em vários serviços do Google, como Search, Gemini, Pixel Weather e Google Maps Platform

---

Visão geral do WeatherNext 2

• O WeatherNext 2, desenvolvido em conjunto pelo Google DeepMind e Google Research, é um modelo de previsão meteorológica baseado em IA que oferece velocidade 8 vezes maior e resolução em intervalos de 1 hora em comparação com versões anteriores
  • Gera centenas de cenários meteorológicos possíveis a partir de uma única entrada
  • As previsões são concluídas em menos de 1 minuto em uma única TPU, enquanto os modelos físicos baseados em supercomputadores existentes levam várias horas
• O modelo apresenta desempenho superior ao da versão anterior em 99,9% das variáveis e horizontes de previsão (0 a 15 dias), incluindo temperatura, velocidade do vento e umidade
• O WeatherNext 2 possibilita previsões de alta resolução para todo o planeta e também é usado para apoiar a tomada de decisões de órgãos meteorológicos

Uma nova abordagem de modelagem com IA

• O WeatherNext 2 adota uma nova forma de modelagem com IA chamada Functional Generative Network (FGN)
  • A estrutura do modelo injeta diretamente “ruído”, mantendo os resultados de previsão em um estado fisicamente realista e interconectado
• Essa abordagem é útil tanto para previsões “marginais (marginal)” quanto “conjuntas (joint)”
  • Marginal: elementos individuais, como temperatura em um local específico, velocidade do vento por altitude e umidade
  • Joint: grandes sistemas meteorológicos formados pela combinação de vários elementos, essenciais para analisar fenômenos complexos, como regiões de ondas de calor ou previsão de geração de energia eólica
• O modelo é treinado apenas com dados marginais, mas aprende sozinho padrões conjuntos e realiza previsões complexas

Acesso e uso dos dados

• Os dados de previsão do WeatherNext 2 são disponibilizados publicamente no Google Earth Engine e no BigQuery
  • Podem ser consultados por meio do catálogo de dados do Earth Engine e do BigQuery Analytics Hub
• No Google Cloud Vertex AI, o programa de acesso antecipado oferece recursos de inferência personalizada de modelo (inference)
• Essa tecnologia está integrada ao Search, Gemini, Pixel Weather e à Weather API da Google Maps Platform, com aplicação futura também prevista para o recurso de informações meteorológicas do Google Maps

Da pesquisa para a prática

• O WeatherNext 2 é um caso de expansão de resultados de pesquisa para aplicações reais
  • Com essa tecnologia, o Google abre ferramentas e dados para que pesquisadores, desenvolvedores e empresas do mundo todo possam usá-los na resolução de problemas complexos
• No futuro, a empresa planeja melhorar continuamente o desempenho do modelo por meio da integração de novas fontes de dados e da ampliação do acesso
• O Google também conecta essa iniciativa ao fortalecimento do ecossistema de pesquisa em IA geoespacial, com projetos como Earth Engine, AlphaEarth Foundations e Earth AI

Materiais adicionais

• Publicação do artigo (arXiv: 2506.10772) relacionado ao WeatherNext 2
• Disponibilização de documentação para desenvolvedores, catálogo de dados do Earth Engine, exemplos de consultas no BigQuery e página de inscrição para acesso antecipado no Vertex AI
• Entre os modelos relacionados apresentados também estão o GenCast (previsão de clima extremo) e o GraphCast (previsão global rápida)

[GN⁺]

Comentários no Hacker News

• Estou bem envolvido nesse tema, e um ponto que talvez seja interessante para quem está de fora é que todos esses modelos mais recentes, como o neuralgcm ou o WeatherNext 1, são treinados com uma função objetivo chamada CRPS
  Quase nunca vi isso sendo usado em ML de forma geral; praticamente só em previsão do tempo
  Resumindo, adiciona-se ruído aleatório à entrada e treina-se o modelo para minimizar uma perda comum (L1 etc.), ao mesmo tempo em que se maximiza a diferença entre dois resultados gerados com inicializações de ruído diferentes
  Fico curioso se esse tipo de abordagem um dia também será aplicado à GenAI tradicional

  • Fico na dúvida se o ruído não é adicionado aos parâmetros do modelo, e não à entrada
    Isso me lembra o artigo sobre Variational Noise
    Se for ruído adicionado à entrada, então parece algo próximo de técnicas de SSL como o DINO
  • Recentemente eu queria gerar intencionalmente duas saídas diferentes em um trabalho de otimização, mas não encontrei uma boa heurística
    Não tinha relação com GenAI, mas esse método de CRPS talvez tivesse ajudado
  • Essa abordagem me lembra um Variational Autoencoder
  • Queria entender qual é o objetivo de usar isso em vez de uma perda L2
  • É importante deixar claro que, embora o modelo aprenda com dados históricos, na previsão real ele faz várias execuções em ensemble com novas observações

• Ultimamente tenho sentido que a previsão do tempo local no Google Search ficou visivelmente menos precisa
  Já faz algumas semanas que ele continua prevendo temperaturas noturnas abaixo de zero, mas isso não aconteceu na prática
  Minha região até é difícil de prever, mas outras fontes que não são do Google estavam bem mais corretas
  Fico me perguntando se o rollout do novo modelo já aconteceu e piorou as coisas, ou se, ao contrário, ainda vai melhorar em breve
  Também queria saber se existe algum site para comparar o desempenho de previsão entre modelos por região

  • A API gratuita do Open-Meteo é útil
    Dá para visualizar em gráficos os dados de previsão por modelo, e inclui vários dos principais modelos
    Só que o WeatherNext ainda não está lá
  • Comparar o desempenho dos modelos por região parece uma funcionalidade tão óbvia, mas quase não existe. Queria entender por quê

• No anúncio, destacaram as melhorias de velocidade e número de cenários, mas senti falta de uma explicação melhor sobre ganho de precisão
  A frase “WeatherNext 2 é 8 vezes mais rápido e oferece resolução horária” soa ótima, mas no fim das contas eu, como usuário, só quero uma previsão precisa

  • O ponto importante é que o usuário final desse produto não é o público em geral
    Métricas como a pontuação CRPS são voltadas a especialistas, e servem para resolver o problema de under-dispersion dos modelos tradicionais de ensemble
    Esse tipo de melhoria acaba sendo a base para aumentar a precisão da previsão determinística que o usuário comum vê
    Dá para ver a tecnologia relacionada no WeatherBench
  • Para um usuário comum, a explicação ficou insuficiente
    O núcleo da previsão do tempo, há décadas, é o conceito de cenários em ensemble, e dizer “70% de chance de chuva” significa que em 70 de 100 cenários chove
    Ou seja, não existe uma única ‘previsão correta’
  • Como usuário, eu também gostaria de ver a dispersão da incerteza
    Muitos apps de clima mostram isso visualmente de forma boa
  • O benchmark mais importante é a precisão, e ela deveria ser comparada com os modelos físicos existentes (GFS, ECMWF etc.)
    Esses modelos rodam em enormes clusters de HPC, mas ainda são eficientes porque o cálculo é centralizado e só os resultados são distribuídos
  • É um modelo treinado com dados históricos, mas parece ter poucos elementos baseados em física
    Fico curioso sobre onde está a fundamentação física necessária para esse alto desempenho

• O mecanismo de previsão do tempo do Google já é muito bom, e a previsão de trajetória de furacões nesta temporada foi impressionantemente precisa
  Em contrapartida, o Global Forecasting System (GFS) do governo dos EUA parece estar piorando cada vez mais
  Artigo relacionado: link da Ars Technica

  • Fico curioso sobre o que exatamente significa dizer que “o GFS está piorando”

• Lendo o artigo, não vi especificado com que frequência o modelo precisa ser retreinado
  Se a estrutura aprende distribuições por região, então os padrões devem mudar com o tempo, e um retreinamento periódico parece necessário
  Se for preciso treinar 3 dias por semana, toda semana, isso pode virar um problema real de custo

• Isso me lembrou uma história da época da Segunda Guerra Mundial
  Dizem que Kenneth Arrow descobriu que previsões de longo prazo não eram melhores que palpites aleatórios, mas um superior respondeu: “sabemos que são inúteis, mas precisamos delas para planejar”

  • Ouvi isso numa aula de estatística: na prática, dias de tempo bom são muito mais comuns do que dias de tempo ruim
    Então, se você só disser “não vai chover”, vai acertar 90% das vezes
    A ironia é que as previsões meteorológicas do passado eram menos precisas do que isso
    Os modelos de hoje são realmente impressionantes de tão precisos; até previsões de 10 dias costumam acertar bastante
  • Há também a interpretação de que a adivinhação na Antiguidade não era apenas superstição, mas uma ferramenta de tomada de decisão para levar as pessoas a agir por meio de uma escolha aleatória quando não conseguiam decidir
  • Isso lembra a frase de Eisenhower: “os planos são inúteis, mas o processo de planejar é indispensável”

• A precisão do app de clima padrão do Google caiu recentemente
  Muitas vezes a diferença ficou em torno de 2 a 5 graus
  Testei o app Weawow, que me recomendaram no HN; o nome é ruim, mas a precisão é excelente
  Foi o melhor que usei até agora

• Ainda sinto que a previsão do tempo baseada em AI continua distante da vida real
  Mesmo comparando com a época em que a geração dos meus pais assistia à previsão do tempo na TV, a sensação de precisão não parece tão diferente
  Ainda acontece de cair um temporal num dia previsto como ensolarado, ou de o dia ficar inteiro aberto apesar da previsão de chuva
  Do ponto de vista do consumidor, parece que o avanço tecnológico não está se traduzindo em confiabilidade percebida no mundo real

  • Os dados existem: segundo o Our World in Data, a precisão das previsões continua melhorando de forma consistente
  • O problema é a forma de apresentação dos dados
    Por exemplo, no Apple Weather, um “dia chuvoso” pode aparecer assim se houver alta chance de chuva em qualquer momento do dia
    Na prática, pode chover só às 5 da manhã e o resto do dia ficar ensolarado
    O usuário precisa conseguir interpretar os dados, e seria bom se a AI pudesse contextualizar a previsão conforme os interesses de cada pessoa
  • As previsões continuam melhorando, mas é uma evolução gradual, não uma revolução repentina
    Por exemplo, adicionei ao Weathergraph a previsão de chuva de curto prazo da rainbow.ai, e foi a mais precisa que já usei até agora
    Os próprios dados de radar têm muito ruído, e o processo de refiná-los já é, em si, um modelo de ML
  • Na prática, a precisão melhorou muito mesmo
    O nível de uma previsão de 1 dia de 30 anos atrás é equivalente à precisão de uma previsão de 4 dias hoje
    Só que isso não significa que entendemos melhor o clima; é resultado de um salto enorme em capacidade computacional
  • Mesmo a previsão do tempo comum ainda está longe de ser perfeita

• Fiquei curioso sobre onde esse modelo pode ser usado
  Estou procurando algo com previsão hiperlocal como o antigo Dark Sky

  • Agora os resultados da pesquisa já foram integrados a serviços reais
    Os dados de previsão do WeatherNext 2 estão disponíveis no Earth Engine e no BigQuery, e também há um programa de acesso antecipado no Vertex AI para inferência customizada
    Além disso, ele já está sendo usado em Search, Gemini, Pixel Weather e Google Maps Platform Weather API
  • Pessoalmente, o app de que mais gosto é o Windy
    Dá para comparar a previsão entre modelos, e a animação de vetores de vento é visualmente muito interessante
  • O modelo HRRR também é excelente
    Ele é atualizado a cada hora e oferece previsões com resolução de 15 minutos por 18 horas, e de 1 hora por 48 horas
    site do HRRR
  • O antigo Weather Underground integrava dados de estações meteorológicas pessoais
    Mudou muito depois que a IBM comprou a empresa, mas talvez esse projeto ainda exista de alguma forma
  • Também vale consultar o link oficial da Weather API do Google

• Fiquei curioso se o modelo que forneceu a previsão de furacões mais precisa nesta temporada é o mesmo modelo apresentado agora
  Artigo relacionado: link da Ars Technica