AIFS-CRPS: previsão em conjunto usando um modelo treinado com uma função de perda baseada no score de probabilidade classificada contínua

Por que probabilidades meteorológicas mais inteligentes importam para você

Quando você consulta a previsão, normalmente vê uma única previsão: chuva ou sol, calor ou frio. Mas a atmosfera é caótica, e o que realmente importa é o leque de possibilidades — especialmente para tempestades, ondas de calor ou padrões que se estendem por semanas e afetam colheitas, viagens e consumo de energia. Este artigo apresenta um novo sistema de previsão baseado em inteligência artificial, AIFS‑CRPS, que não se limita a adivinhar o tempo de amanhã; ele estima as probabilidades de muitos futuros diferentes, frequentemente com mais precisão e eficiência do que os melhores modelos físicos de supercomputador atuais.

De respostas únicas para faixas de possibilidades

Modelos meteorológicos tradicionais usam as leis da física para simular a atmosfera muitas vezes com pontos iniciais ligeiramente diferentes. Juntas, essas previsões em “conjunto” fornecem uma distribuição de probabilidade: qual a chance de chuva intensa ou de uma onda de frio? Modelos meteorológicos iniciais baseados em aprendizado de máquina, por outro lado, foram treinados para minimizar o erro médio em uma única previsão, o que os levava a suavizar pequenas características agudas, como tempestades intensas. Eles podiam ser notavelmente precisos em dias típicos, mas tinham dificuldade em representar incertezas e frequentemente atenuavam extremos. O AIFS‑CRPS foi projetado para reduzir essa lacuna fazendo previsões probabilísticas diretamente, de modo que a incerteza esteja incorporada ao modelo em vez de adicionada depois.

Uma IA que aprende a ser honestamente incerta

O AIFS‑CRPS é uma versão em conjunto do Sistema de Previsão por Inteligência Artificial do ECMWF. Em vez de aprender a igualar um único futuro mais provável, ele aprende a gerar muitos futuros plausíveis a partir de um único modelo de IA ao adicionar ruído aleatório cuidadosamente moldado em sua representação interna da atmosfera. A inovação central está na forma de treinamento: o modelo é otimizado usando uma medida estatística chamada Continuous Ranked Probability Score (CRPS), que recompensa distribuições de previsão que atribuem alta probabilidade ao que realmente acontece e penaliza tanto eventos perdidos quanto excesso de confiança. Os autores introduzem uma variante “quase justa” desse score que corrige vieses devido ao tamanho finito do conjunto, evitando ao mesmo tempo patologias numéricas que atrapalhariam o treinamento em hardware moderno.

Detalhes mais nítidos que não desaparecem

Um dos principais testes de qualquer sistema em conjunto é se ele mantém variabilidade realista conforme a previsão avança de horas para dias. Em comparações lado a lado, um sistema de IA anterior treinado com uma perda padrão de erro quadrático médio gradualmente perdia estrutura em pequena escala, fazendo os mapas parecerem borrados com o aumento do prazo. Em contraste, o AIFS‑CRPS preserva detalhes e energia através das escalas, mais próximo do que se observa em análises de referência e em modelos físicos avançados. Os autores abordam uma tendência inicial do modelo de cultivar ruído fino demais ao “truncar” o campo de referência usado durante o treinamento — removendo as menores ondulações do passo anterior para que a IA não as amplifique simplesmente — sem atenuar características meteorológicas genuínas em pequena escala. Esse equilíbrio é crucial para representar tempestades intensas e outros eventos de alto impacto.

Superando o estado da arte de dias a semanas

A equipe avalia o AIFS‑CRPS em comparação com o sistema de previsão integrado (IFS) em conjunto de alta resolução do ECMWF. Para previsões de até 15 dias, o conjunto de IA pontua melhor para muitas variáveis-chave, como temperaturas próximas à superfície e em 850 hPa, ventos em nível de jato e padrões de pressão na troposfera média. Dependendo da variável, melhorias em scores probabilísticos e de erro padrão alcançam frequentemente 5–20 por cento. O conjunto de IA às vezes mostra “sobre‑dispersão” — seus membros estão mais espalhados do que estritamente exigido pelo erro médio — mas isso é em grande parte um efeito colateral do uso de perturbações de condições iniciais calibradas para o modelo físico, não para o erro muito menor do sistema de IA. Em horizontes subseasonais mais longos, de duas a seis semanas, o sistema de IA — apesar de ter sido treinado apenas em previsões de até 72 horas — iguala ou supera o IFS para muitos campos de superfície e troposféricos quando as previsões brutas são consideradas, e permanece competitivo quando os vieses são removidos e apenas a habilidade de anomalias é contabilizada.

Acompanhando o lento batimento tropical

Um teste crítico para previsão subseasonal é a Oscilação Madden–Julian (MJO), um padrão de perturbações tropicais de movimento lento que pode influenciar monções, tempestades e até o tempo de latitudes médias. Usando um índice padrão baseado em anomalias de vento, os autores mostram que o AIFS‑CRPS produz previsões da MJO com correlações mais altas e erros menores do que o conjunto IFS ao longo de um período de teste de vários anos. Importante, a dispersão do conjunto de IA corresponde muito de perto ao erro médio da previsão, uma marca de um sistema probabilístico bem calibrado. Em um estudo de caso, a IA reproduz mais fielmente o crescimento e a marcha para leste de um grande evento de MJO do que o modelo físico, que tende a subestimar sua intensidade e a retornar rápido demais a condições neutras.

O que isso significa para o tempo cotidiano e além

Para não especialistas, a conclusão é que a IA agora pode fazer mais do que oferecer mapas meteorológicos rápidos e visualmente atraentes. Sistemas como o AIFS‑CRPS podem quantificar as probabilidades de diferentes desfechos — quão provável é que uma onda de calor persista, se uma faixa de tempestades pode deslocar‑se, ou quão estável pode ser um padrão de várias semanas — frequentemente tão bem quanto, ou melhor do que, os modelos físicos mais avançados de hoje, e a uma fração do custo computacional. Desafios permanecem, como melhorar o desempenho na estratosfera e ajustar como o modelo lida com extremos, mas este trabalho mostra que o treinamento probabilístico pode tornar a IA uma ferramenta genuinamente útil para serviços meteorológicos e climáticos orientados ao risco. Na prática, isso significa previsões mais informativas para governos, empresas e o público quando isso mais importa.

Citação: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Palavras-chave: previsão do tempo por IA, previsão em conjunto, previsões probabilísticas, previsão subseasonal, Oscilação Madden–Julian