Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarDeepMind Blog→ original

DeepMind abriu os dados do seu modelo de previsão do tempo com IA: detecção de chuva 30% melhor que a referência da NASA

A DeepMind abriu os dados com que treinou o modelo de previsão do tempo WeatherNext 3: o mosaico de satélite por hora SatWeave e o mapa de precipitação PARDIG. Em chuvas fracas e moderadas, o PARDIG detecta mais de 30% melhor que o IMERG-Final, o conjunto de estimativas de precipitação da NASA. O mapa tem passo de 15 minutos e resolução de cerca de 10 km, inclusive onde não há radares. Para os desenvolvedores, isso é uma base pronta para modelos de enchentes e secas.

Processado por IA de DeepMind Blog; editado por Hamidun News
DeepMind abriu os dados do seu modelo de previsão do tempo com IA: detecção de chuva 30% melhor que a referência da NASA
Fonte: DeepMind Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalDeepMind Blog ↗
Editor-chefe
Dado-chave #1O SatWeave é atualizado a cada hora, e o arquivo histórico tem mais de dez anos
PARDIGarquivo de 1999 a 2026, com dados recentes com atraso de cerca de 5 horas
Dado-chave #3Os dados ficam no Google Cloud Storage, e o PARDIG também está no Earth Engine

Para prever o tempo, não basta uma boa rede neural: é preciso saber o que está acontecendo sobre o planeta agora e quanta chuva realmente caiu. Isso é difícil: radares e pluviômetros não existem em todo lugar, e os satélites registram tudo de maneiras diferentes. O Google DeepMind decidiu abrir justamente essa parte dos bastidores.

A equipe do WeatherNext publicou dois conjuntos de dados nos quais se baseia seu novo modelo de previsão do tempo com IA, o WeatherNext 3: o SatWeave (um retrato de satélite do mundo inteiro, por hora) e o PARDIG (um mapa de precipitação de todo o planeta). O principal número do lançamento diz respeito ao PARDIG. Ele detecta chuvas fracas e moderadas mais de 30% melhor que o IMERG-Final, o conjunto de estimativas de precipitação da NASA em que muitos aplicativos se apoiam.

Imagine um aplicativo de seguro agrícola: se o conjunto de dados antigo deixa passar uma chuva em cada três ou desenha temporais onde não choveu, os pagamentos são calculados de forma incorreta. O novo mapa reduz esses erros. Ambas as coleções estão disponíveis tanto como arquivo histórico quanto como fluxo contínuo.

SatWeave: uma imagem única da Terra a partir de diferentes satélites

O problema é conhecido de qualquer pessoa que já juntou dados de várias fontes. O planeta é fotografado por diferentes satélites geoestacionários: os americanos GOES-East e GOES-West, os europeus Meteosat e o japonês Himawari. Cada um tem suas próprias projeções cartográficas, formatos de arquivo, sensores e agenda de imageamento: um quadro chega a cada 10 a 30 minutos. Por isso, mosaicos globais prontos são raros, e os que existem costumam ser limitados: quatro canais ou menos, ou atualização a cada várias horas.

O SatWeave reúne tudo em um único mapa-múndi com 17 canais: luz visível, vapor d'água e infravermelho. Ele é atualizado a cada hora. Para o WeatherNext 3, isso é importante: o modelo recebe uma visão atualizada das nuvens e tempestades em formação, em vez de depender de dados de análise que muitos modelos atualizam apenas a cada seis horas. Estão abertos a série horária e um arquivo com mais de dez anos. A DeepMind também cita ideias de aplicação: previsão de geração em usinas solares e monitoramento de incêndios florestais.

PARDIG: um mapa de chuva onde não há radares

O segundo conjunto de dados resolve outro problema. Medir a precipitação com precisão é possível com radares terrestres e uma rede densa de pluviômetros, mas eles não existem em quase todo lugar. Sobre os oceanos, nas montanhas e em muitos países em desenvolvimento, a cobertura é escassa.

O PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) contorna essa limitação. Um modelo com arquitetura semelhante à do WeatherNext 3 aprende diretamente a partir das raras medições do radar espacial GPM Core Observatory, da NASA. Como entrada, ele recebe as imagens do SatWeave e os campos atmosféricos do centro ECMWF. Como saída, obtém-se um mapa de precipitação de todo o planeta, com passo de 15 minutos e resolução de cerca de 10 km. Os dados recentes chegam com atraso médio de cerca de cinco horas.

A validação foi feita com três redes de radares continentais (EUA, Europa e Japão) e com mais de 36 mil estações meteorológicas. Segundo a DeepMind, o PARDIG supera os principais equivalentes globais em todos os níveis de intensidade de chuva, inclusive o IMERG-Final. Os mesmos 30% foram medidos com a métrica Critical Success Index, que mostra com que frequência a previsão horária coincidiu com o radar e penaliza tanto chuvas perdidas quanto alarmes falsos.

Também se destaca que o modelo lida melhor com chuvas torrenciais extremas, que os produtos globais costumam deixar passar. Um exemplo ilustrativo são as enchentes de julho de 2025 no Texas, em que o PARDIG foi comparado com o radar terrestre da NOAA e com o IMERG-Final.

O arquivo histórico do PARDIG cobre o período de 1999 a 2026.

O que fazer com isso e quais ressalvas

Para desenvolvedores e pesquisadores, este é um caso raro em que os dados de treinamento de um laboratório de ponta estão em acesso aberto. Os dados estão hospedados no Google Cloud Storage, e o catálogo histórico do PARDIG também está disponível no Google Earth Engine. Eles servem para treinar modelos próprios de enchentes, deslizamentos e secas, especialmente para regiões sem redes densas de radares. Servem também para serviços aplicados, de energia a seguro agrícola.

Há ressalvas. A resolução de cerca de 10 km é bem mais grosseira que a de um radar terrestre: no exemplo das enchentes no Texas, o radar da NOAA oferece cerca de 1 km. Para problemas urbanos locais, o PARDIG não substitui o radar, mas ajuda a cobrir as lacunas. A afirmação de confiabilidade "em qualquer ponto da Terra" continua sendo uma expectativa dos autores: em regiões sem medições terrestres, não há como verificá-la diretamente. Todos os números de comparação foram apresentados até agora pela própria DeepMind, e o material não traz testes independentes. Por fim, são dados para especialistas em geodados: para trabalhar com eles, é preciso saber processar rasters de satélite.

Ainda assim, o passo é notável. Um mosaico de satélite com atualização horária e um mapa global de precipitação de vários anos se tornam infraestrutura de acesso público, e não um recurso interno do Google.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre SatWeave: uma imagem única da Terra a partir de diferentes satélites?

O problema é conhecido de qualquer pessoa que já juntou dados de várias fontes. O planeta é fotografado por diferentes satélites geoestacionários: os americanos GOES-East e GOES-West, os europeus Meteosat e o japonês Himawari. Cada um tem suas próprias projeções cartográficas, formatos de arquivo, sensores e agenda de imageamento: um quadro chega a cada 10 a 30 minutos. Por isso, mosaicos globais prontos são raros, e os que existem costumam ser limitados: quatro canais ou menos, ou atualização a cada várias horas.

O que se sabe sobre PARDIG: um mapa de chuva onde não há radares?

O segundo conjunto de dados resolve outro problema. Medir a precipitação com precisão é possível com radares terrestres e uma rede densa de pluviômetros, mas eles não existem em quase todo lugar. Sobre os oceanos, nas montanhas e em muitos países em desenvolvimento, a cobertura é escassa. O PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) contorna essa limitação.

O que fazer com isso e quais ressalvas?

Para desenvolvedores e pesquisadores, este é um caso raro em que os dados de treinamento de um laboratório de ponta estão em acesso aberto. Os dados estão hospedados no Google Cloud Storage, e o catálogo histórico do PARDIG também está disponível no Google Earth Engine. Eles servem para treinar modelos próprios de enchentes, deslizamentos e secas, especialmente para regiões sem redes densas de radares. Servem também para serviços aplicados, de energia a seguro agrícola. Há ressalvas.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…