Modelo de IA prevê eventos climáticos extremos com mais precisão

O verão europeu de 2026 trouxe ondas de calor recordes em países como Áustria, Bélgica, Dinamarca, França, Alemanha, Hungria, Suíça e Reino Unido. Só a onda de calor francesa deixou 2.700 mortos, enquanto a Alemanha registrou 5.753 mortes acima da média em uma única semana de junho, segundo levantamento da Carbon Brief.

Diante desse cenário, pesquisadores da ETH Zurique, da Escola Politécnica Federal de Lausanne e MeteoSwiss, na Suíca, assim como da Universidade de Cambridge, na Inglaterra, desenvolveram o Earth System Foundational Model, conhecido como ESFM. O modelo usa inteligência artificial para cruzar dados atmosféricos, hidrológicos e terrestres, algo que os sistemas de previsão tradicionais costumam tratar de forma isolada.

Como o ESFM enxerga o clima

O ESFM aprende padrões entre diferentes tipos de dado, como medições de estações meteorológicas, imagens de satélite e simulações numéricas. Mesmo quando falta alguma informação, o modelo consegue gerar previsões a partir das relações estatísticas aprendidas entre as variáveis.

Fanny Lehmann, pesquisadora da ETH Zurique, explica ao RESET.ORG que a combinação de fontes amplia a capacidade do sistema. Segundo ela, treinar o modelo em múltiplos conjuntos de dados permite que ele aprenda representações diversas do estado do tempo e se adapte com mais facilidade às necessidades de cada usuário, processo chamado de ajuste fino.

Dois modos de previsão

O ESFM funciona em duas versões, segundo Sebastian Schemm, professor da Universidade de Cambridge. A versão determinística gera um único mapa global para o próximo intervalo de tempo previsto. Já a versão probabilística produz vários mapas simultâneos, chamados de conjuntos, cada um representando uma possível evolução do tempo.

Firat Ozdemir, pesquisador do Swiss Data Science Center, afirma que esses conjuntos ajudam o modelo a cobrir melhor eventos extremos, já que o treinamento incentiva a IA a gerar variações do estado climático. Segundo ele, o ESFM também é mais barato de operar que outros modelos de IA, porque entrega um conjunto inteiro de previsões em uma única rodada de cálculo.

Teste contra um tufão real

Entre 2023 e 2024, a equipe testou o ESFM contra eventos extremos recentes que o modelo não tinha visto durante o treinamento. Um dos casos foi o supertufão Doksuri, que atingiu as Filipinas em julho de 2023 e afetou 2,9 milhões de pessoas. Lehmann afirma que a capacidade do ESFM de prever a velocidade dos ventos e a evolução atmosférica do tufão foi comparável, e em alguns pontos superior, à do modelo Aurora, desenvolvido pela Microsoft e usado como referência de comparação.

Outros modelos de IA disputam espaço

O ESFM entra em um campo já povoado por outras iniciativas. A Nvidia desenvolveu os gêmeos digitais Earth-1 e Earth-2, capazes de simular o ciclo da água do planeta e mapear mudanças que levam a tempestades e secas. Já o modelo Aardvark consegue prever o tempo a partir de um computador comum, usando milhares de vezes menos energia que um supercomputador.

Aplicações na agricultura e na energia

Desde 2026, o ESFM está disponível como estrutura aberta, com código para treinamento, ajuste fino e uso em previsões, tanto para pesquisadores quanto para empresas. Além da previsão de desastres, o modelo pode ajudar o setor de energia a prever a oferta de eletricidade em coordenadas específicas.

No Nepal, um exemplo semelhante já funciona. Um modelo de IA treinado com trinta anos de dados meteorológicos envia alertas a agricultores sobre eventos extremos e orienta o manejo das lavouras.

O que ainda falta para o modelo evoluir

Ampliar o ESFM exige mais dados e mais parâmetros no modelo, segundo Schemm. A equipe busca dados regionais de alta resolução do passado e investiga técnicas que permitam aumentar o modelo sem elevar tanto o custo computacional. Torsten Hoefler, professor da ETH Zurique, avalia que modelos de fundação como o ESFM podem tornar as previsões climáticas até mil vezes mais eficientes e reduzir em mil vezes a emissão de CO₂ associada ao cálculo, quando comparados a métodos convencionais.

Mesmo com previsões mais precisas, a proteção da população depende de decisões fora do laboratório. Caberá a governos e formuladores de políticas públicas construir centros de resfriamento, exigir climatização em prédios e adotar projetos residenciais mais resistentes ao calor. Sem essas medidas, mesmo a previsão mais exata reduz o risco, mas não o elimina.