Início Ciência Google DeepMind abre dados de satélite e chuva por trás do WeatherNext...

Google DeepMind abre dados de satélite e chuva por trás do WeatherNext 3

0
59
Google DeepMind abre dados de satélite e chuva por trás do WeatherNext 3

O Google DeepMind liberou dois conjuntos de dados usados no modelo de previsão WeatherNext 3: o SatWeave, mosaico global de imagens de satélites geoestacionários atualizado a cada hora, e o PARDIG, mapa global de precipitação gerado por IA com resolução de 15 minutos e cerca de 10 quilômetros. Segundo a empresa, o PARDIG supera o IMERG-Final da NASA em mais de 30% na detecção de chuva leve a moderada. Arquivos históricos e feeds ao vivo estão disponíveis no Google Cloud Storage, e os catálogos históricos do PARDIG também no Google Earth Engine.

O Google DeepMind anunciou a liberação de dois conjuntos de dados que sustentam o WeatherNext 3, seu modelo de previsão do tempo baseado em inteligência artificial. Chamados SatWeave e PARDIG, eles cobrem, respectivamente, imagens globais de satélites geoestacionários e estimativas de precipitação geradas por IA. A informação é do próprio blog da empresa, publicado em 10 de novembro de 2026.

Segundo o DeepMind, observar a Terra com precisão é o ponto de partida para prever o tempo e o ciclo da água. Satélites e instrumentos de solo monitoram o planeta continuamente, mas transformar medições brutas em um quadro global coerente e disponibilizá-lo rapidamente é um desafio científico e de engenharia considerável. Os dois datasets foram criados para atacar essa etapa.

SatWeave reúne cinco satélites em um mosaico horário

O SatWeave combina imagens de cinco satélites que cobrem diferentes regiões do globo: GOES-East e GOES-West, Meteosat 0 e Meteosat Indian Ocean, e Himawari. De acordo com o texto, cada um usa projeções de mapa, formatos de arquivo, sensores e cronogramas de varredura distintos, com intervalos que variam de 10 a 30 minutos, o que dificulta a formação de um mapa global coerente.

O DeepMind afirma que a maioria dos compostos globais existentes descarta aspectos incompatíveis, oferecendo apenas quatro canais ou menos, ou atualizando a cada poucas horas. O SatWeave, por sua vez, combina observações de seis satélites geoestacionários em um mosaico global com 17 canais visíveis, de vapor d'água e infravermelho, com atualização a cada hora.

Essa cadência horária permite que o WeatherNext 3 produza novas previsões globais, em contraste com modelos inicializados a partir de dados de análise atualizados a cada seis horas. A empresa está liberando o feed ao vivo e um arquivo histórico que abrange mais de uma década.

O texto menciona cinco satélites em um trecho e seis satélites geoestacionários em outro. A discrepância consta do próprio material divulgado e não foi esclarecida na publicação.

PARDIG aposta em chuva estimada por IA

A precipitação afeta desde o abastecimento de alimentos e água até o risco de enchentes e secas, mas acompanhá-la com precisão no planeta inteiro continua sendo um desafio. Radares de solo e redes densas de pluviômetros fornecem dados de alta qualidade, mas não estão sempre disponíveis nem têm boa cobertura em todas as regiões.

O PARDIG, sigla de Precipitation AI Reanalysis: Densely Inferred GPM, foi construído sobre uma arquitetura de IA semelhante à do WeatherNext 3. Ele é treinado diretamente em observações esparsas de radar espacial do GPM Core Observatory, da NASA, usando imagens do SatWeave e campos atmosféricos do ECMWF como entradas. O resultado, segundo o DeepMind, é um mapa global de precipitação com resolução temporal de 15 minutos, resolução espacial de cerca de 10 quilômetros e latência média de aproximadamente cinco horas.

A empresa diz ter avaliado o PARDIG contra três redes continentais de radar nos Estados Unidos, na Europa e no Japão, além de mais de 36 mil estações meteorológicas no mundo. O conjunto teria superado as principais bases globais em todas as taxas de chuva analisadas, incluindo o IMERG-Final da NASA, descrito como um dataset de qualidade de pesquisa importante para inúmeras aplicações.

Segundo o texto, o PARDIG melhora em mais de 30% a habilidade de detecção de precipitação horária em relação ao IMERG-Final para chuva leve a moderada. A avaliação usou o Critical Success Index, com dados de 2016 a 2023, em limiares de intensidade que vão de 0,2 a 25 milímetros por hora. O DeepMind afirma ainda que o conjunto se mostrou especialmente eficaz em capturar precipitação extrema.

Como aprende diretamente de satélites, em vez de depender apenas de medições de solo, o PARDIG deve manter precisão confiável em qualquer lugar da Terra, inclusive onde essas medições não existem. Essa é uma expectativa declarada pela empresa, não um resultado verificado de forma independente na publicação.

Acesso aberto e aplicações além da previsão do tempo

Além do feed ao vivo, o DeepMind está liberando arquivos históricos do PARDIG de 1999 a 2026. O WeatherNext 3 usou o conjunto para previsão de médio prazo, mas a empresa diz querer apoiar a comunidade na exploração de modelos melhores para enchentes, deslizamentos e seca, sobretudo em regiões sem redes densas de radar de solo.

Os dados ao vivo e históricos do SatWeave e do PARDIG estão disponíveis abertamente no Google Cloud Storage, e os catálogos históricos do PARDIG também no Google Earth Engine. O trabalho foi desenvolvido por equipes do Google DeepMind e do Google Research, em colaboração com Google Cloud e Google Geo.

A empresa agradece organizações cujos programas de satélite e datasets abertos tornaram o trabalho possível, entre elas ECMWF, NASA, JAXA, NOAA, EUMETSAT, KMA, JMA, KNMI e Synoptic Data. O DeepMind também sugere usos futuros do SatWeave em áreas como energia solar e monitoramento de queimadas, mas não apresenta resultados nessas frentes.

Não há, no material divulgado, informação sobre licenças específicas de uso, limites de volume de download ou custos de armazenamento e transferência no Google Cloud. Também não foram divulgados detalhes sobre a arquitetura interna do PARDIG nem sobre possíveis vieses regionais do modelo. Esses pontos permanecem em aberto para quem pretende usar os dados em produção.

Fonte original: Google DeepMind: Opening the datasets behind our AI weather models.

Receba o Jornal da IA todos os dias

As notícias de inteligência artificial que importam no Brasil, com o nosso prisma e sempre com as fontes. Grátis.

Sem spam. Cancele quando quiser.

LEAVE A REPLY

Please enter your comment!
Please enter your name here