Uma das variáveis mais difíceis de prever no clima é a precipitação, que é a principal fonte de incerteza na previsão de enchentes. No entanto, este novo sistema de IA da Google pula a previsão de precipitação e tenta prever enchentes a partir de tudo o mais que é conhecido.

O principal desafio é que os países que mais precisam dessas previsões de enchentes são muitas vezes os lugares que não têm dados de treinamento suficientes para o algoritmo de aprendizado, pois não têm os meios para coletá-los. Esta nova técnica ajuda a reutilizar dados dos EUA e de outros países e aplicá-los a regiões menos favorecidas.

Notavelmente, este novo sistema de IA é mais preciso do que os Sistemas Globais de Conscientização sobre Enchentes usados em todo o mundo. Este é um avanço incrível que pode ajudar muito as nações não avançadas, não apenas seus governos, mas também seus cidadãos. Alguns desses modelos de previsão de enchentes são até baratos o suficiente para serem executados em um smartphone no seu bolso.

A Google desenvolveu uma abordagem inovadora para a previsão do tempo que supera as simulações tradicionais baseadas em física. Em vez de depender de modelos meteorológicos computacionalmente caros, eles usam modelos de IA baseados em difusão para gerar dados meteorológicos plausíveis a partir de observações históricas.

A ideia-chave é que os modelos de difusão, que são usados ​​para criar imagens a partir de prompts de texto, também podem ser aplicados a dados meteorológicos. Esses modelos partem de ruído aleatório e gradualmente o transformam em padrões meteorológicos realistas, aprendendo as minúcias de eventos climáticos extremos no processo.

Essa abordagem tem várias vantagens em relação aos métodos tradicionais. Primeiro, requer muito menos poder computacional, pois não precisa executar simulações meteorológicas complexas. Segundo, pode aproveitar um conjunto de dados muito maior de observações meteorológicas históricas, permitindo que a IA aprenda padrões mais abrangentes.

O resultado é um sistema de previsão do tempo mais preciso do que as técnicas anteriores, incluindo o FourCastNet da NVIDIA e o GraphCast da DeepMind. Essa descoberta tem o potencial de melhorar significativamente a previsão do tempo, especialmente em regiões com dados e recursos computacionais limitados, salvando muitas vidas ao prever melhor os eventos climáticos extremos.

As linhas de exaustão de aeronaves, conhecidas como contrails, podem ter um impacto mensurável na temperatura do planeta. Embora apenas uma pequena porcentagem de contrails (cerca de 5%) tenha um efeito de longa duração, esse impacto é significativo. Para resolver esse problema, os pesquisadores desenvolveram uma simulação baseada em IA que pode prever quais aviões em quais rotas provavelmente criarão esses contrails persistentes.

O desafio está em distinguir com precisão os contrails de nuvens de cirrus semelhantes. No entanto, os pesquisadores encontraram uma maneira confiável de diferenciar os dois, tornando o problema aprendível para o sistema de IA.

Para testar a eficácia dessa abordagem, os pesquisadores realizaram um teste com a American Airlines, onde propuseram pequenos ajustes de rota com base nas previsões da IA. O resultado foi uma redução de 54% na criação de contrails que aprisionam calor, com apenas um aumento de 0,3% no consumo de combustível. Esse efeito líquido é 20 vezes melhor para o meio ambiente do que a abordagem atual.

Evitando intencionalmente as regiões onde é provável que se formem contrails persistentes, as companhias aéreas podem reduzir significativamente seu impacto na temperatura do planeta, com um impacto mínimo em suas operações. Esse uso inovador da tecnologia de IA tem o potencial de tornar a aviação mais sustentável e contribuir para o combate às mudanças climáticas.