Kanaye_Nagasawa_The_samurai_who_forever_changed_California.txt
IA está revolucionando a previs?o do tempo e pode mudar a vida de fazendeiros ao redor do mundo Opini?o Um só Planeta.txt
Para os fazendeiros,árevolucionandoaprevis?odotempoepodemudaravidadefazendeirosaoredordomundoOpini?oUmsójogo de matar pato cada decis?o de plantio acarreta riscos, e muitos desses riscos est?o aumentando com as mudan?as climáticas. Um dos mais importantes s?o as condi??es meteorológicas, que podem prejudicar a produtividade dos cultivos e sua subsistência. Uma mon??o atrasada, por exemplo, pode for?ar um agricultor de arroz no sul da ásia a replantar ou mudar completamente de cultivo, perdendo tempo e renda. O acesso a previs?es 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. Continuar lendo Mas em muitos países de baixa e média renda, previs?es meteorológicas precisas continuam fora de alcance dos fazendeiros, limitadas pelos altos custos de tecnologia e demandas de infraestrutura dos modelos tradicionais de previs?o. Uma nova onda de modelos de previs?o meteorológica baseados em IA tem o potencial de mudar isso. Ao usar inteligência artificial, esses modelos podem fornecer previs?es precisas e localizadas por uma fra??o do custo computacional dos modelos convencionais de previs?o numérica baseados em física. Isso possibilita que as agências meteorológicas nacionais dos países em desenvolvimento forne?am aos agricultores as informa??es localizadas e oportunas sobre as mudan?as nos padr?es de precipita??o de que eles precisam. O desafio é levar essa tecnologia onde ela é necessária. Assine aqui a nossa newsletter Enviando solicita??o de inscri??o...Por favor, aguarde. Li e concordo com os Termos de Uso e Política de Privacidade. Cadastrar meu email Previs?o por IA é importante agora Os modelos de previs?o baseados na física usados pelos principais centros meteorológicos em todo o mundo s?o poderosos, mas caros. Eles simulam a física atmosférica para prever as condi??es meteorológicas com antecedência, mas exigem uma infraestrutura de computa??o 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 regi?es temperadas e de alta renda e prestam menos aten??o aos trópicos, onde est?o localizados muitos países de baixa e média renda. Uma grande mudan?a nos modelos climáticos come?ou em 2022 quando pesquisadores da indústria e de universidades desenvolveram modelos de aprendizado profundo que podiam gerar previs?es 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 previs?es, como temperatura. Os modelos baseados em IA exigem muito menos poder de computa??o 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 previs?o, 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 rela??es no clima a partir dos dados, pode usar essas rela??es aprendidas para produzir uma previs?o 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 previs?o 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 previs?es — conjuntos de várias execu??es de previs?o — por uma fra??o 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 apresenta??o de uma previs?o milhares de vezes mais rápido do que os modelos físicos de última gera??o. O resultado de todos esses avan?os: previs?es de alta resolu??o em segundos em um único laptop ou computador desktop. A pesquisa também está avan?ando rapidamente para expandir o uso da IA para previs?es com semanas ou meses de antecedência, o que ajuda os agricultores a tomar decis?es sobre o plantio. Modelos de IA já est?o sendo testados para melhorar a previs?o de condi??es climáticas extremas, como ciclones extratropicais e chuvas anormais. Previs?es para decis?es no mundo real Embora os modelos meteorológicos de IA ofere?am recursos técnicos impressionantes, eles n?o s?o solu??es prontas para uso. Seu impacto depende de qu?o bem eles s?o calibrados para o clima local, comparados com as condi??es agrícolas do mundo real e alinhados com as decis?es 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 previs?o de IA deve estar conectada às pessoas cujas decis?es ela deve orientar. é por isso que grupos como o AIM for Scale, uma colabora??o com a qual trabalhamos como pesquisadores em políticas públicas e sustentabilidade, est?o ajudando governos a desenvolver ferramentas de IA que atendam às necessidades do mundo real, incluindo o treinamento de usuários e a adapta??o das previs?es às necessidades dos agricultores. Institui??es internacionais de desenvolvimento e a Organiza??o Meteorológica Mundial também est?o trabalhando para expandir o acesso a modelos de previs?o de IA em países de baixa e média renda. As previs?es 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 divulga??o dessas previs?es por meio de mensagens de texto, rádio, agentes de extens?o ou aplicativos móveis pode ajudar a alcan?ar os agricultores que podem se beneficiar. Isso é especialmente verdadeiro quando as mensagens s?o constantemente testadas e aprimoradas para garantir que atendam às necessidades dos agricultores. Um estudo recente na índia descobriu que, quando os fazendeiros receberam previs?es mais precisas sobre as mon??es, eles tomaram decis?es mais informadas sobre o que e quanto plantar — ou se deveriam plantar —, resultando em melhores resultados de investimento e redu??o de riscos. Uma nova era na adapta??o climática A previs?o meteorológica com IA chegou a um momento crucial. Ferramentas que eram experimentais há apenas cinco anos agora est?o sendo integradas aos sistemas governamentais de previs?o meteorológica. Mas a tecnologia por si só n?o 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 previs?es, fornecendo informa??es valiosas a agricultores que há muito faltavam nos servi?os meteorológicos. * Paul Winters é professor de Desenvolvimento Sustentável, Universidade de Notre Dame, na Fran?a, e Amir Jina é professor Assistente de Políticas Públicas, Universidade de Chicago, nos EUA Siga o Um só Planeta:
