Aqueles de nós que têm a sorte de estar sentados perto de uma janela podem prever o tempo apenas olhando para fora, mas para os menos privilegiados, a previsão e análise do tempo estão cada vez melhores. Amanhã.io apenas divulgou os resultados de seus dois primeiros satélites de radar, que, graças ao aprendizado de máquina, revelaram-se competitivos com tecnologias de previsão maiores e mais tradicionais na Terra e em órbita.
A empresa planeia esta missão desde que se chamava ClimaCell, em 2021, e os resultados divulgados hoje (e apresentados formalmente numa conferência meteorológica em breve) mostram que a sua abordagem de alta tecnologia funciona.
A previsão do tempo é complexa por vários motivos, mas a interação entre hardware legado de alta potência (como redes de radar e satélites mais antigos) e software moderno é um grande problema. Essa infraestrutura é poderosa e valiosa, mas melhorar seus resultados requer muito trabalho do lado da computação – e em algum momento você começa a obter retornos decrescentes.
Não se trata apenas de “vai chover esta tarde”, mas de previsões mais complexas e importantes, como a direcção em que uma tempestade tropical se irá mover, ou exactamente quanta chuva caiu numa determinada região durante uma tempestade ou seca. Essas percepções são cada vez mais importantes à medida que as mudanças climáticas.
O espaço é, obviamente, o local óbvio para investir, mas a infra-estrutura meteorológica é proibitivamente grande e pesada. Medição de precipitação global da NASA O satélite, padrão ouro para este campo lançado em 2014, usa radar de banda Ka (26-40 GHz) e Ku (12-18 GHz) e pesa cerca de 3.850 quilogramas.
O plano do Tomorrow.io é criar uma nova infraestrutura de radar baseada no espaço com um toque moderno. Seus satélites são pequenos (apenas 85 quilos) e utilizam exclusivamente a banda Ka. Os dois satélites, Tomorrow R1 e R2, lançados em abril e junho do ano passado, só agora, após um longo período de agitação e testes, começam a mostrar a sua qualidade.
Em uma série de experimentos que a empresa planeja publicar em uma revista ainda este ano, Tomorrow afirma que com apenas uma banda de radar e uma fração da massa, seus satélites podem produzir resultados equivalentes aos do GPM da NASA e sistemas baseados em terra. Em uma variedade de tarefas, os satélites R1 e R2 foram capazes de fazer previsões e observações igualmente precisas ou ainda melhores e mais precisas como o GPM, e seus resultados também coincidiram de perto com os dados do radar terrestre.
Exemplos de dados dos satélites R1 e R2. Créditos da imagem: Amanhã.io
Eles conseguem isso por meio de um modelo de aprendizado de máquina que, como descreveu o diretor meteorológico Arun Chowla, atua como dois instrumentos em um. Foi treinado com dados de ambos os radares do GPM, mas ao aprender a relação entre a observação e a diferença entre os dois sinais de radar, pode fazer uma previsão semelhante usando apenas uma banda. Como diz a postagem do blog:
O algoritmo é treinado com esses perfis de precipitação derivados de frequência dupla, mas usa apenas as observações da banda Ka como entrada. No entanto, a relação complexa entre a forma do perfil de refletividade e a precipitação é “aprendida” pelo algoritmo, e o perfil completo de precipitação é recuperado mesmo nos casos em que a refletividade da banda Ka é completamente atenuada por precipitação intensa.
Será um grande sucesso para o Tomorrow.io se esses resultados se concretizarem e se generalizarem para outros padrões climáticos. Mas a ideia não é substituir a infra-estrutura dos EUA – o GPM e a rede de radar terrestre estão aqui para durar e são activos inestimáveis. O verdadeiro problema é que eles não podem ser duplicados facilmente para cobrir o resto do mundo.
A esperança da empresa é ter uma rede de satélites que possa fornecer este nível de previsão e análise detalhada a nível global. Os oito satélites de produção planejados serão maiores – cerca de 300 kg – e mais capazes.
“Estamos trabalhando para fornecer dados de precipitação em tempo real em qualquer lugar do mundo, o que acreditamos ser uma virada de jogo no campo da previsão do tempo”, disse Chowla. “Nesse sentido, estamos trabalhando na precisão, disponibilidade global e latência (medida como o tempo entre o sinal ser capturado pelo satélite e os dados estarem disponíveis para ingestão nos produtos).”
Eles também estão fazendo o inevitável jogo de dados, com um conjunto mais detalhado de imagens de radar orbital para treinar seus próprios e outros sistemas. Para que isso funcione, eles precisarão de muito mais dados – e planejam acelerar o ritmo de coleta com mais lançamentos de satélites este ano.
