O Google DeepMind informou ter desenvolvido o WeatherNext Cyclones (WN-C), um modelo de inteligência artificial que prevê simultaneamente a trajetória e a intensidade de ciclones tropicais. Em estudo publicado na Nature, o sistema demonstra capacidade de enxergar cerca de um dia adiante em relação aos principais modelos operacionais, um ganho equivalente aos avanços dos métodos tradicionais na última década.
O modelo foi construído em parceria com o National Hurricane Center (NHC), o Cooperative Institute for Research in the Atmosphere (CIRA) e o UK Met Office. Desde junho de 2025, as previsões rodam ao vivo no Weather Lab do Google. Durante o furacão Melissa, que atingiu a Jamaica em 2025, o WN-C ajudou o NHC a prever a intensificação rápida da tempestade a tempo, segundo a DeepMind. A intensificação rápida ocorre quando um ciclone ganha pelo menos 30 nós em velocidade do vento em 24 horas.
Fim de um dilema de décadas
A previsão de ciclones sempre esbarrou em um dilema. Modelos globais, como o sistema ensemble (ENS) do ECMWF, são fortes em trajetória, mas grosseiros em intensidade. Modelos regionais especializados, como o Hurricane Analysis and Forecast System (HAFS) da NOAA, entregam leituras de intensidade mais precisas, mas perdem precisão na trajetória. O WN-C combina as duas funções em um único sistema.
Para uma previsão de cinco dias, o erro médio da posição estimada do centro da tempestade é de 230 km, contra 370 km do ENS e 335 km do GenCast, o modelo anterior da DeepMind. Em previsões de intensidade para três dias, o WN-C é 3,75 nós mais preciso que o HAFS.
O WN-C também pontua mais que o dobro do ENS e do GenCast em previsões probabilísticas de intensidade em vários prazos de antecedência. Para a probabilidade de ventos de 64 nós, o limite em que uma tempestade atinge força de furacão, o modelo entrega valor prático maior para a tomada de decisão, de acordo com a DeepMind.
Dados grosseiros, previsões precisas
O WN-C opera com uma grade de dados em que cada ponto cobre cerca de 28 km, aproximadamente cem vezes mais grosseira que a de modelos regionais especializados. Mesmo uma variante compacta, com 111 km por ponto, produz resultados competitivos, segundo a DeepMind. "Alta resolução não é um pré-requisito estrito para previsão de intensidade de última geração", escrevem os autores. A razão pela qual o modelo gera previsões tão precisas nessa resolução segue uma questão em aberto.
Técnica e treinamento
No lugar da difusão usada no GenCast, o WN-C usa Redes Generativas Funcionais (FGN). O GenCast necessita de dezenas de passagens pela rede neural a cada etapa da previsão; a FGN requer uma única passagem e é oito vezes mais rápida. Para representar a incerteza, o sistema injeta ruído nas camadas de controle da rede, em vez de adicionar ruído a pixels individuais, produzindo cenários diferentes, mas fisicamente consistentes.
O treinamento combinou quase 20 terabytes de dados atmosféricos globais das análises do ECMWF com um banco de cerca de 5 mil ciclones históricos. Os dados tabulares das tempestades – posição, intensidade e extensão – foram projetados na mesma grade geográfica dos dados meteorológicos, permitindo que a rede aprendesse com as duas fontes juntas. Estudos de ablação no artigo mostram que esse treinamento conjunto é o que impulsiona as melhorias.
Previsões em escala
Uma previsão de 15 dias roda em menos de um minuto em um chip de IA do Google, o que permitiu à DeepMind elevar o número de execuções paralelas por tempestade de 50 para 1.000. Conjuntos grandes como esse podem ajudar a capturar eventos extremos raros com mais confiabilidade. O Índice de Sucesso Crítico, que pondera avisos corretos contra alarmes falsos e eventos perdidos, salta de um valor abaixo de 0,3 para 0,5.
Complemento, não substituto
Os modelos numéricos tradicionais continuam relevantes, afirma a DeepMind. O NHC costuma combinar resultados de vários modelos baseados em física em uma média ponderada para seus avisos oficiais, divididos entre trajetória (TVCN) e intensidade (IVCN). Em uma simulação que adicionou o WN-C a esses consensos, o modelo melhorou as previsões de trajetória em média 28% e as de intensidade em cerca de 6%. O ganho menor em intensidade sugere que os modelos tradicionais ainda têm peso relevante nessa área.
O código e os pesos do WeatherNext 2 e do WeatherNext Cyclones foram disponibilizados publicamente no GitHub. A variante mini roda em um único TPU em um notebook gratuito do Colab. Para avisos oficiais, os autores recomendam os serviços meteorológicos nacionais; o WN-C é uma ferramenta de apoio a previsores, não um substituto.
O WN-C é a evolução mais recente de uma linhagem aberta da DeepMind: o GenCast, lançado no fim de 2024, foi o primeiro modelo probabilístico a superar o ensemble do ECMWF; o WeatherNext 2 foi apresentado no ano passado; e o Weather Lab, plataforma do Google para previsão de ciclones, entrou no ar em junho de 2025 com o modelo experimental que agora se torna o WeatherNext Cyclones.
