Como você recebe previsões do tempo muito mais rápidas e confiáveis com o novo WeatherNext da DeepMind

Ouça este artigo

Você vai ver como a nova versão do WeatherNext muda as previsões do tempo global. Ela usa o FGN para gerar ensembles probabilísticos que são mais rápidos, mais precisos e com maior resolução. O sistema separa a incerteza epistêmica da aleatória e aprende relações físicas mesmo sendo treinado ponto a ponto. Esses modelos já alimentam o Search, o Gemini, o Pixel Weather e estão chegando ao Maps. Isso traz ganhos reais para quem precisa decidir sobre risco e seguir ciclones.

• Modelo funcional gera ensembles probabilísticos mais rápidos e com mais detalhes

• Separa incerteza do modelo e do clima para previsões mais confiáveis

• Treinado para produzir previsões bem calibradas em cada ponto

• Mesmo treinando ponto a ponto, aprende padrões entre lugares e variáveis

• Melhora precisão e rastreamento de tempestades e já está integrado a produtos do Google

Google DeepMind lança WeatherNext 2 com novo modelo FGN para previsões probabilísticas mais rápidas

Você agora tem acesso a previsões meteorológicas globais geradas pelo WeatherNext 2, o sistema atualizado do Google DeepMind. O modelo usa uma nova arquitetura chamada Functional Generative Network (FGN) combinada com um grande ensemble. Segundo os pesquisadores, o resultado é previsões probabilísticas mais rápidas, mais precisas e de maior resolução, já sendo incorporadas em produtos como Google Search, Gemini, Pixel Weather e a Weather API da Google Maps Platform. Dados também ficam disponíveis via Earth Engine, BigQuery e técnicas de gestão de grandes dados (Zarr) e em acesso precoce no Vertex AI. Para mais detalhes técnicos e contexto, veja o artigo original: https://www.marktechpost.com/2025/11/17/google-deepminds-weathernext-2-uses-functional-generative-networks-for-8x-faster-probabilistic-weather-forecasts/

O que você precisa saber agora

• Horizonte: prevê trajetórias globais até 15 dias.

• Grade: resolução de 0,25° por latitude/longitude.

• Passo temporal: passos de 6 horas.

• Variáveis: inclui várias camadas atmosféricas e variáveis de superfície.

• Velocidade: pesquisadores relatam ganhos de desempenho, com cenários até 8x mais rápidos.

Como a nova arquitetura funciona

• O núcleo é a FGN, que gera amostras da distribuição conjunta das trajetórias, em vez de um único campo determinístico. Isso permite ver vários cenários plausíveis a partir da mesma condição inicial.

• O modelo tem um encoder/decoder que traduz entre a grade regular e uma malha icosaédrica refinada. Um graph transformer otimizado opera nessa malha.

• Em produção, cada semente do modelo tem cerca de 180 milhões de parâmetros, dimensão latente 768 e 24 camadas de transformador. Para comparação, o modelo anterior (GenCast) tinha cerca de 57 milhões, dimensão 512 e 16 camadas.

• O sistema gera previsões de forma autoregressiva a partir de duas molduras iniciais.

Como são tratadas as incertezas (o que você deve saber)

• Incerteza epistêmica (limitação do modelo) é tratada com um ensemble profundo de 4 modelos independentes, capturando dúvidas sobre o conhecimento do sistema — uma abordagem análoga a fluxos de trabalho multi-modelo para previsões mais robustas (fluxos multi-modelo e GluonTS).

• Incerteza aleatória (variabilidade atmosférica real) é modelada por perturbações funcionais: a cada passo é amostrado um vetor Gaussiano de 32 dimensões que passa por camadas de normalização condicional compartilhadas. Isso altera o comportamento do modelo inteiro e gera previsões coerentes espacialmente — você vê cenários distintos, não ruído isolado por ponto.

Como o treinamento foi feito

• O modelo foi treinado apenas com supervisão marginal por local e variável. A função de perda usada foi o CRPS (Continuous Ranked Probability Score), calculada de forma justa sobre amostras do ensemble em cada ponto.

• Em fases finais, houve treinos com curtos rollouts autoregressivos (até 8 passos) com retropropagação para melhorar a estabilidade em horizontes mais longos. Estratégias de few-shot e ajuste fino pontual também ajudam a calibrar previsões locais (melhoria de previsões com poucos exemplos).

• Mesmo sem supervisão multivariada direta, o uso de ruído de baixa dimensão e perturbações compartilhadas força a FGN a aprender estruturas conjuntas realistas.

Desempenho frente ao modelo anterior

• Em métricas marginais, a FGN supera o GenCast em 99,9% dos casos com ganhos estatisticamente significativos.

• Melhora média de CRPS perto de 6,5% e ganhos máximos até 18% para algumas variáveis em curtos prazos.

• Erro quadrático médio do ensemble (RMSE) também caiu, mantendo relação adequada entre spread e erro até 15 dias.

• Testes que agregam espaços e calculam quantidades derivadas (como vento a 10 m ou diferenças de geopotencial) mostram que a FGN captura melhor agregados regionais e dependências multivariadas.

• Em seguimento de ciclones tropicais, a FGN reduz erro de posição equivalente a cerca de um dia a mais de previsão útil em relação ao GenCast. Mesmo com passo de 12 horas, a FGN superou o GenCast além de 2 dias. Análises de Valor Econômico Relativo também favorecem a FGN em vários cenários de custo-benefício — um ganho relevante para resposta a riscos detectáveis por plataformas de observação da Terra (modelos e sensoriamento remoto como o Galileo).

Principais pontos para você

• Maior velocidade e resolução para previsões probabilísticas globais.

• FGN gera ensembles coerentes via ruído de baixa dimensão.

• Separação clara entre incerteza epistêmica (ensemble) e aleatória (perturbações funcionais).

• Melhor desempenho em CRPS, RMSE e em aplicações críticas como rastreio de ciclones.

• Acesso a dados e modelo via Earth Engine, BigQuery e Vertex AI (acesso precoce).

Conclusão

Você está diante de um salto real na previsão do tempo: o WeatherNext 2 com FGN entrega ensembles probabilísticos que são mais rápidos, mais precisos e de maior resolução. O grande trunfo é a separação clara entre incerteza epistêmica (capturada por um ensemble profundo) e incerteza aleatória (modelada por perturbações funcionais). O resultado são previsões mais calibradas (treinadas com CRPS), rastreio de ciclones mais confiável — quase um dia a mais de previsão útil — e ganhos práticos de CRPS e RMSE que ajudam quem precisa decidir sob risco. Tudo isso já aparece no Search, Gemini, Pixel Weather e vem ao Maps, com dados acessíveis via Earth Engine, BigQuery e Vertex AI. Leia o artigo original para contexto adicional: https://www.marktechpost.com/2025/11/17/google-deepminds-weathernext-2-uses-functional-generative-networks-for-8x-faster-probabilistic-weather-forecasts/

Se você quer acompanhar como isso muda decisões em campo ou nos seus apps, continue lendo e se atualize. Quer ficar por dentro? Leia mais artigos em https://blog.aidirectory.com.br.

Perguntas Frequentes

Q: O que é o WeatherNext 2 e por que minhas previsões chegam mais rápido?
A: WeatherNext 2 usa a nova arquitetura FGN da DeepMind. Ela gera amostras diretas de trajetórias globais e roda muito mais rápido, entregando previsões probabilísticas até 8x mais rápidas que antes.

Q: Como as previsões ficam mais confiáveis?
A: O sistema separa incerteza epistêmica (com um ensemble de modelos) e aleatória (com perturbações funcionais). Treina com CRPS para produzir distribuições nítidas e calibradas. Resultado: melhor CRPS e erro menor que o GenCast.

Q: O que muda para eu, usuário do Google Search, Maps ou Pixel?
A: Você verá previsões mais detalhadas e estáveis. Os dados já alimentam Search, Gemini, Pixel Weather e a Weather API; integração completa ao Maps vem em seguida.

Q: Isso ajuda em tempestades e ciclones?
A: Sim. O FGN melhora o rastreio de ciclones. Em média dá cerca de um dia extra de previsibilidade útil e melhor valor econômico para decisões de evacuação.

Q: Como eu acesso esses dados ou o modelo?
A: Os dados estão em Earth Engine e BigQuery. O modelo está em acesso antecipado no Vertex AI e a Weather API do Maps Platform entrega previsões para apps.

Fonte e leitura complementar: https://www.marktechpost.com/2025/11/17/google-deepminds-weathernext-2-uses-functional-generative-networks-for-8x-faster-probabilistic-weather-forecasts/

Se você quiser conhecer outros artigos semelhantes a Como você recebe previsões do tempo muito mais rápidas e confiáveis com o novo WeatherNext da DeepMind, você pode visitar a categoria Notícias e Tendências.