A previsão meteorológica tornou-se notavelmente fiável em horizontes curtos: os modelos actuais são altamente precisos até cerca de duas semanas, e as projecções climáticas a longo prazo também estão a melhorar constantemente. Entre essas duas escalas de tempo, no entanto, existe um ponto cego teimoso. As previsões no período de duas a seis semanas — conhecidas como previsões subsazonais — continuam a não ser fiáveis, embora seja precisamente esse intervalo que importa para decidir quando plantar culturas, como alocar água e energia e como se preparar para incêndios florestais.
A Microsoft Research e uma rede de colaboradores externos afirmam ter encontrado uma forma de reduzir essa lacuna, não construindo mais um modelo de previsão, mas ensinando software para corrigir os erros previsíveis dos modelos que já existem. A abordagem, chamada Correção de Viés Probabilística (PBC), é detalhada em um artigo publicado na revista científica Nature e descrita em uma postagem no blog da Microsoft publicada esta semana. É uma das entradas mais discretamente práticas na onda de pesquisas aplicadas em IA cobertas entre os mais recentes desenvolvimentos de IA, porque atualiza os sistemas nos quais os meteorologistas já confiam, em vez de pedir-lhes que mudem para algo novo.
Por que a janela de duas a seis semanas desafia as previsões
Os modelos baseados na física simulam a atmosfera e os oceanos usando equações científicas, enquanto os modelos mais recentes de IA treinam em vastos arquivos de dados meteorológicos observados. De acordo com a Microsoft, ambas as famílias têm um bom desempenho por cerca de dez dias. Além desse ponto, pequenos erros iniciais aumentam e as interações complexas entre a atmosfera, os oceanos e a superfície terrestre sobrecarregam ambas as abordagens, razão pela qual as perspetivas de duas a seis semanas ficaram muito atrasadas em relação ao resto das previsões.
Em vez de entrar num campo lotado de modelos concorrentes, a equipa liderada pela Microsoft concentrou-se num alvo diferente: os erros sistemáticos e repetíveis que os modelos cometem nesta gama. “Nosso novo pipeline (PBC) toma seu modelo favorito como entrada e aprende de que forma ele tende a cometer erros. Em seguida, corrige esses erros, produzindo uma melhor previsão de produção para a faixa subsazonal”, explicou a empresa em seu blog.
Uma camada leve sobre os modelos existentes
Tecnicamente, o PBC é um sistema leve de aprendizado de máquina que estuda o arquivo de previsões históricas de qualquer modelo para saber onde e como ele é sistematicamente tendencioso. Depois que esses padrões são aprendidos, o sistema ajusta a saída probabilística do modelo para compensar. Nas avaliações descritas no artigo da Nature, a Microsoft relata que o PBC melhorou o desempenho do principal modelo subsazonal operacionalmente desviado do mundo, operado pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF).
Os resultados resistiram em competições ao vivo, não apenas em testes retrospectivos. O ECMWF lançou o AI Weather Quest em agosto de 2025, uma competição em tempo real projetada para promover previsões probabilísticas subsazonais. Uma equipe chamada MicroEnsemble, composta por pesquisadores da Microsoft e colaboradores externos, recebeu honras com uma entrada chamada MicroDuet, que aplicou o PBC ao modelo dinâmico líder do setor do ECMWF.
“O AI Weather Quest fornece uma plataforma única de benchmarking em tempo real para previsões subsazonais”, disse o Dr. Joshua Talib, cientista em previsões subsazonais do ECMWF. "As contribuições da equipe MicroEnsemble destacaram como o aprendizado de máquina pode aprimorar a habilidade dos sistemas tradicionais de previsão dinâmica por meio do pós-processamento."
De referência a pilotos do mundo real na África Oriental
A técnica já está indo além dos benchmarks. No Quénia, os meteorologistas preparam-se para testar o PBC no início de uma das duas estações chuvosas do país. O esforço envolve a Autoridade do Serviço Meteorológico do Quénia (KMSA) e cientistas do Centro de Riscos Climáticos da Universidade da Califórnia, em Santa Bárbara, com aconselhamento de Genevieve Flaspohler, que dirige a Rhiza Research, uma organização sem fins lucrativos focada na melhoria da previsão meteorológica baseada na IA.
Flaspohler argumenta que o valor de uma previsão depende de chegar a tempo de agir de acordo com ela. “Uma boa previsão meteorológica, entregue no momento certo, no canal de comunicação certo, pode ser um grande diferenciador para os resultados agrícolas”, disse ela, observando que a África Oriental tem oscilado entre os anos mais secos de que há registo e os anos mais chuvosos de sempre. Numa região onde as explorações agrícolas carecem em grande parte de irrigação e as decisões de plantação, fertilização e compra de sementes dependem todas das perspectivas, uma previsão subsazonal mais hábil não é uma melhoria abstracta.
“Como estamos no meio do El Niño mais quente alguma vez registado, há muito medo entre os governos e na comunidade científica sobre o clima sobre como isso se irá manifestar”, disse Flaspohler. “Há uma enorme necessidade de métodos de previsão simples que funcionem de forma robusta”.
Um argumento de eficiência em uma era de modelos maiores
O que torna o PBC notável na investigação em IA é a sua economia. Enquanto grande parte do campo corre para treinar modelos de previsão ponta a ponta cada vez maiores, o PBC é um sistema comparativamente pequeno que empresta a maior parte de sua habilidade dos modelos operacionais que corrige. Isso torna a operação mais barata e mais fácil de ser adotada pelas agências meteorológicas, uma vez que podem manter a infraestrutura existente e simplesmente adicionar uma camada de correção.
Também reflete um padrão mais amplo no aprendizado de máquina aplicado: o pós-processamento e a calibração geralmente proporcionam ganhos que, de outra forma, exigiriam um retrabalho completo do modelo. Para os serviços meteorológicos que avaliam onde gastar orçamentos limitados, é provável que chame a atenção um método que melhore comprovadamente o intervalo de previsão mais difícil - validado tanto na Nature como numa competição ao vivo do ECMWF.
O que vem a seguir para IA subsazonal
A postagem no blog da Microsoft não chega a anunciar um produto operacional, e a empresa não disse se o PBC será integrado às ofertas de previsão comercial. O teste a curto prazo consiste em saber se os serviços meteorológicos nacionais começam a adotar camadas de correção de enviesamento, como o PBC, para as suas perspetivas subsazonais, e se a abordagem se adapta bem aos modelos de previsão de IA que agora entram em utilização operacional.
Se isso acontecer, o período de duas a seis semanas — o período em que os agricultores, os operadores de redes e os planeadores de catástrofes têm historicamente menos com que trabalhar — poderá finalmente começar a fechar. Para uma área que passou décadas buscando ganhos marginais de habilidade, permitir que um pequeno sistema de aprendizado de máquina elimine os erros sistemáticos de modelos físicos gigantescos é um tipo de progresso pragmático.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
