Para os fazendeiros, cada decisão de plantio acarreta riscos, e muitos desses riscos estão aumentando com as mudanças climáticas. Um dos mais importantes são as condições meteorológicas, que podem prejudicar a produtividade dos cultivos e sua subsistência. Uma monção atrasada, por exemplo, pode forçar um agricultor de arroz no sul da Ásia a replantar ou mudar completamente de cultivo, perdendo tempo e renda.
O acesso a previsões meteorológicas confiáveis e e em tempo hábil pode ajudar os agricultores a se prepararem para as semanas seguintes, encontrar o melhor momento para plantar ou determinar a quantidade de fertilizante necessária, resultando em melhores rendimentos das colheitas e custos mais baixos.
Mas em muitos países de baixa e média renda, previsões meteorológicas precisas continuam fora de alcance dos fazendeiros, limitadas pelos altos custos de tecnologia e demandas de infraestrutura dos modelos tradicionais de previsão.
Uma nova onda de modelos de previsão meteorológica baseados em IA tem o potencial de mudar isso.
Ao usar inteligência artificial, esses modelos podem fornecer previsões precisas e localizadas por uma fração do custo computacional dos modelos convencionais de previsão numérica baseados em física. Isso possibilita que as agências meteorológicas nacionais dos países em desenvolvimento forneçam aos agricultores as informações localizadas e oportunas sobre as mudanças nos padrões de precipitação de que eles precisam.
O desafio é levar essa tecnologia onde ela é necessária.
Previsão por IA é importante agora
Os modelos de previsão baseados na física usados pelos principais centros meteorológicos em todo o mundo são poderosos, mas caros. Eles simulam a física atmosférica para prever as condições meteorológicas com antecedência, mas exigem uma infraestrutura de computação cara. O custo os torna inacessíveis para a maioria dos países em desenvolvimento.
Além disso, esses modelos foram desenvolvidos e otimizados principalmente para os países do Hemisfério Norte. Eles tendem a se concentrar em regiões temperadas e de alta renda e prestam menos atenção aos trópicos, onde estão localizados muitos países de baixa e média renda.
Uma grande mudança nos modelos climáticos começou em 2022 quando pesquisadores da indústria e de universidades desenvolveram modelos de aprendizado profundo que podiam gerar previsões precisas de curto e médio prazo para locais em todo o mundo com até duas semanas de antecedência.
Esses modelos funcionavam a velocidades várias ordens de magnitude mais rápidas do que os modelos baseados em física e podiam ser executados em laptops em vez de supercomputadores. Modelos mais recentes, como Pangu-Weather e GraphCast, igualaram ou até superaram o desempenho dos principais sistemas baseados em física em algumas previsões, como temperatura.
Os modelos baseados em IA exigem muito menos poder de computação do que os sistemas tradicionais.
Enquanto os sistemas baseados em física podem precisar de milhares de horas de CPU para executar um único ciclo de previsão, os modelos modernos de IA podem fazer isso usando uma única GPU em minutos depois que o modelo é treinado. Isso ocorre porque a parte intensiva do treinamento do modelo de IA, que aprende as relações no clima a partir dos dados, pode usar essas relações aprendidas para produzir uma previsão sem necessidade de cálculos extensos adicionais — o que é um grande atalho. Em contrapartida, os modelos baseados em física precisam calcular a física para cada variável em cada lugar e momento para cada previsão produzida.
Embora o treinamento desses modelos a partir de dados de modelos baseados em física exija um investimento inicial significativo, uma vez que a IA é treinada, o modelo pode gerar grandes conjuntos de previsões — conjuntos de várias execuções de previsão — por uma fração do custo computacional dos modelos baseados em física.
Mesmo a etapa cara de treinar um modelo climático de IA mostra uma economia computacional considerável. Um estudo descobriu que o modelo inicial FourCastNet poderia ser treinado em cerca de uma hora em um supercomputador. Isso tornou o tempo de apresentação de uma previsão milhares de vezes mais rápido do que os modelos físicos de última geração.
O resultado de todos esses avanços: previsões de alta resolução em segundos em um único laptop ou computador desktop.
A pesquisa também está avançando rapidamente para expandir o uso da IA para previsões com semanas ou meses de antecedência, o que ajuda os agricultores a tomar decisões sobre o plantio. Modelos de IA já estão sendo testados para melhorar a previsão de condições climáticas extremas, como ciclones extratropicais e chuvas anormais.
Previsões para decisões no mundo real
Embora os modelos meteorológicos de IA ofereçam recursos técnicos impressionantes, eles não são soluções prontas para uso. Seu impacto depende de quão bem eles são calibrados para o clima local, comparados com as condições agrícolas do mundo real e alinhados com as decisões reais que os agricultores precisam tomar, como o que e quando plantar, ou quando é provável que ocorra uma seca.
Para liberar todo o seu potencial, a previsão de IA deve estar conectada às pessoas cujas decisões ela deve orientar.
É por isso que grupos como o AIM for Scale, uma colaboração com a qual trabalhamos como pesquisadores em políticas públicas e sustentabilidade, estão ajudando governos a desenvolver ferramentas de IA que atendam às necessidades do mundo real, incluindo o treinamento de usuários e a adaptação das previsões às necessidades dos agricultores. Instituições internacionais de desenvolvimento e a Organização Meteorológica Mundial também estão trabalhando para expandir o acesso a modelos de previsão de IA em países de baixa e média renda.
As previsões de IA podem ser adaptadas às necessidades agrícolas específicas do contexto, como identificar janelas de plantio ideais, prever períodos de seca ou planejar o manejo de pragas. A divulgação dessas previsões por meio de mensagens de texto, rádio, agentes de extensão ou aplicativos móveis pode ajudar a alcançar os agricultores que podem se beneficiar. Isso é especialmente verdadeiro quando as mensagens são constantemente testadas e aprimoradas para garantir que atendam às necessidades dos agricultores.
Um estudo recente na Índia descobriu que, quando os fazendeiros receberam previsões mais precisas sobre as monções, eles tomaram decisões mais informadas sobre o que e quanto plantar — ou se deveriam plantar —, resultando em melhores resultados de investimento e redução de riscos.
Uma nova era na adaptação climática
A previsão meteorológica com IA chegou a um momento crucial. Ferramentas que eram experimentais há apenas cinco anos agora estão sendo integradas aos sistemas governamentais de previsão meteorológica. Mas a tecnologia por si só não mudará vidas.
Com apoio, os países de baixa e média renda podem desenvolver a capacidade de gerar, avaliar e agir com base em suas próprias previsões, fornecendo informações valiosas a agricultores que há muito faltavam nos serviços meteorológicos.
