Google leva IA para a previsão do tempo e cria modelo capaz de atualizar o clima a cada hora

Principais destaques

• WeatherNext 3 é o novo modelo de inteligência artificial do Google DeepMind e Google Research para previsão meteorológica global.
• A tecnologia combina dados históricos com observações de satélite em tempo real, produzindo previsões atualizadas a cada hora e chegando a uma resolução de até 5 quilômetros para algumas variáveis.
• O sistema já está sendo integrado a produtos como Google Search, Gemini e Maps, além de ficar disponível para empresas e pesquisadores por meio das plataformas de nuvem do Google.

Prever o tempo parece uma tarefa simples quando uma pessoa abre o celular pela manhã para descobrir se vai chover à tarde. Por trás dessa informação, porém, existe uma das tarefas computacionais mais complexas da ciência moderna.

A atmosfera está em constante movimento. Temperatura, pressão, umidade, vento e formação de nuvens interagem de maneira difícil de prever, e pequenas mudanças podem provocar diferenças enormes algumas horas depois.

É justamente nesse problema que o Google está tentando aplicar uma das ferramentas que mais avançaram nos últimos anos: a inteligência artificial.

O Google DeepMind e o Google Research apresentaram o WeatherNext 3, uma nova geração de modelo meteorológico desenvolvida para produzir previsões mais frequentes, detalhadas e próximas das condições observadas no mundo real.

A empresa afirma que o sistema alcança resultados superiores aos de outros modelos de inteligência artificial avaliados de forma independente pela Brightband. O WeatherNext 3 também representa uma mudança importante na maneira como a IA meteorológica recebe seus dados.

Em vez de depender apenas de informações previamente processadas por modelos meteorológicos tradicionais, a nova geração consegue incorporar diretamente dados de satélites em tempo real.

O que muda quando a previsão é atualizada a cada hora

Uma das principais limitações das previsões meteorológicas está no intervalo entre uma atualização e outra.

O WeatherNext 2, geração anterior do sistema, trabalhava com previsões em intervalos de seis horas e uma grade global de aproximadamente 25 quilômetros. O WeatherNext 3 reduz esse intervalo para uma atualização por hora e aumenta significativamente o nível de detalhe espacial.

Para algumas variáveis de superfície, como temperatura e umidade, o modelo pode trabalhar com resolução de aproximadamente 5 quilômetros.

Outras informações também ganham mais detalhes, embora utilizem resoluções diferentes. Segundo o Google, algumas variáveis de superfície chegam a 10 quilômetros, enquanto determinadas informações atmosféricas, como vento, são trabalhadas em escalas de 25 quilômetros.

A diferença parece pequena quando observada apenas em números.

Na prática, porém, aumentar a resolução significa representar melhor diferenças que acontecem em áreas relativamente próximas. Uma região montanhosa, uma área costeira e uma região urbana, por exemplo, podem apresentar condições meteorológicas diferentes mesmo estando a poucos quilômetros umas das outras.

WeatherNext 2 x WeatherNext 3

O resultado é uma previsão que tenta acompanhar melhor aquilo que está acontecendo naquele momento, e não apenas aquilo que os modelos estimavam algumas horas antes.

Isso é especialmente importante para fenômenos que mudam rapidamente, como chuva intensa, tempestades e sistemas de nuvens.

A grande mudança está nos dados

Durante décadas, a previsão meteorológica foi dominada pelos chamados modelos numéricos de previsão do tempo.

Esses sistemas utilizam enormes quantidades de dados e equações baseadas na física para simular o comportamento da atmosfera. O processo exige uma quantidade significativa de capacidade computacional e depende de supercomputadores operados por instituições meteorológicas.

Os resultados são extremamente úteis e continuam sendo fundamentais para a meteorologia.

A inteligência artificial não surgiu para simplesmente substituir esses sistemas. O que pesquisadores estão tentando fazer é encontrar maneiras diferentes de transformar dados meteorológicos em previsões, aproveitando a capacidade dos modelos de aprendizado de máquina para reconhecer padrões extremamente complexos.

O WeatherNext 3 segue essa linha, mas introduz uma mudança particularmente importante: ele consegue receber mosaicos de imagens de satélites geoestacionários atualizados em intervalos de uma hora.

Isso permite que a previsão parta de uma fotografia muito mais recente do estado da atmosfera.

Imagine uma frente de chuva se formando e avançando rapidamente. Um sistema que recebe uma nova observação do céu a cada hora tem mais oportunidades de perceber a mudança e atualizar sua previsão do que um sistema que depende de informações mais antigas.

Essa capacidade é importante porque alguns fenômenos meteorológicos evoluem rápido demais para serem bem representados por previsões que ficam várias horas sem atualização.

Por que a chuva é um problema tão difícil para a IA?

Precipitação é uma das áreas mais complicadas da previsão meteorológica.

A formação de chuva depende de processos atmosféricos que acontecem em escalas muito pequenas, enquanto os modelos globais precisam representar fenômenos que se espalham por continentes e oceanos.

O Google treinou o WeatherNext 3 com diferentes fontes de dados de precipitação, incluindo informações do satélite IMERG, da NASA, e uma base global de precipitação desenvolvida a partir de dados de satélites e radares.

Nos testes apresentados pela empresa, o novo sistema registrou melhorias relevantes na previsão de precipitação em comparação com modelos anteriores.

Segundo o Google, houve uma melhora de até 60% em uma das métricas utilizadas na comparação com o IMERG, além de ganhos em outras referências de precipitação.

Isso ajuda a explicar por que a empresa considera a atualização especialmente importante para situações cotidianas.

Uma previsão dizendo que existe possibilidade de chuva em uma cidade inteira é útil. Uma previsão que consegue representar com mais precisão onde a chuva provavelmente estará e como esse sistema deve se deslocar é muito mais valiosa.

A IA também está aprendendo onde medir

Outro elemento interessante do WeatherNext 3 é a capacidade de produzir previsões direcionadas a estações meteorológicas específicas.

Em vez de tratar todo o planeta apenas como uma grande grade tridimensional, o modelo também foi treinado para prever o que determinadas estações poderiam registrar.

Isso cria uma conexão mais direta entre a previsão gerada pela IA e aquilo que realmente é medido no solo.

A abordagem é importante porque permite comparar o resultado do modelo com observações concretas. Se uma estação registra determinada temperatura, umidade ou velocidade do vento, os pesquisadores conseguem verificar com mais precisão o quanto a previsão acertou ou errou.

Esse tipo de avaliação é essencial para qualquer sistema de IA que pretenda sair do ambiente de pesquisa e chegar a aplicações utilizadas por milhões de pessoas.

A própria arquitetura do WeatherNext 3 também foi ampliada. O Google afirma que o modelo possui 2,4 vezes mais parâmetros que seu antecessor, além de alterações na forma como seus componentes de previsão são treinados para produzir respostas mais úteis.

Mais parâmetros, porém, não significam automaticamente uma previsão melhor.

O ganho depende de como o modelo utiliza os dados, de quais informações recebe durante o treinamento e de como seus resultados são avaliados. É a combinação desses elementos que determina se a IA realmente consegue produzir uma previsão mais confiável.

De uma previsão no celular para aplicações de energia

O WeatherNext 3 não foi desenvolvido apenas para responder se vai chover.

O Google está direcionando parte importante da tecnologia para aplicações empresariais e científicas, incluindo setores que dependem diretamente das condições meteorológicas.

Um exemplo é a geração de energia renovável.

Usinas eólicas precisam estimar quanto vento estará disponível para produzir eletricidade. Já instalações solares dependem da quantidade de radiação que chegará aos painéis, algo diretamente influenciado por nuvens e condições atmosféricas.

Por isso, o WeatherNext 3 passou a trabalhar também com variáveis específicas para esse tipo de atividade.

O Google afirma que o modelo consegue fornecer informações relacionadas a vento, cobertura de nuvens e radiação solar, ajudando operadores a estimar melhor a produção de parques eólicos e solares.

A importância disso aumenta conforme redes elétricas passam a incorporar quantidades maiores de fontes renováveis.

Quanto mais precisamente uma empresa consegue antecipar a produção de uma usina solar ou eólica, melhor pode planejar a operação da rede e equilibrar oferta e demanda.

Onde a tecnologia pode fazer diferença

Agricultura: previsões mais localizadas podem ajudar no planejamento de irrigação, plantio e colheita.

Energia: estimativas melhores de vento, radiação solar e nuvens podem melhorar o planejamento da geração renovável.

Transporte: mudanças rápidas no tempo podem influenciar operações aéreas, rodoviárias e marítimas.

Gestão de emergências: previsões mais frequentes podem ajudar equipes a acompanhar a evolução de tempestades e outros eventos extremos.

Cotidiano: informações mais precisas podem melhorar decisões simples, como escolher horários para atividades ao ar livre ou decidir quando sair de casa.

A promessa de levar previsões melhores para regiões menos atendidas

Existe ainda uma dimensão econômica nessa evolução.

Modelos meteorológicos tradicionais de alta qualidade exigem infraestrutura cara, desde sensores e estações de observação até sistemas computacionais capazes de executar as simulações.

Isso cria uma diferença entre países e regiões que conseguem investir pesadamente em meteorologia e aqueles que possuem menos recursos.

O Google afirma que o WeatherNext 3 pode ajudar a levar previsões de maior resolução para regiões que historicamente tiveram acesso limitado a modelos regionais de alta qualidade, incluindo partes da América Latina, África e Ásia-Pacífico.

Não significa que a inteligência artificial elimine a necessidade de estações meteorológicas ou de infraestrutura científica.

Na verdade, os próprios modelos dependem de observações para aprender, ser avaliados e melhorar. O avanço está em conseguir extrair mais valor desses dados usando sistemas computacionais que podem ser executados de maneira mais rápida e eficiente.

Essa combinação pode ser especialmente importante em locais onde a infraestrutura de previsão meteorológica ainda apresenta limitações.

O Google já testou IA em eventos extremos

O WeatherNext 3 chega em um momento em que o próprio Google já vinha demonstrando resultados relevantes com inteligência artificial aplicada a eventos meteorológicos extremos.

Em agosto de 2026, a empresa divulgou resultados de um modelo WeatherNext voltado especificamente para ciclones tropicais. Segundo o Google, o sistema conseguiu alcançar uma vantagem média de mais de um dia em relação a modelos anteriores na previsão de trajetória, intensidade e estrutura dos ventos.

O trabalho ganhou atenção também por sua aplicação ao furacão Melissa, que atingiu a Jamaica em 2025.

De acordo com o Google, o modelo ajudou o National Hurricane Center a antecipar a rápida intensificação do fenômeno e seu impacto na Jamaica, contribuindo para que alertas fossem emitidos com antecedência.

Esse tipo de aplicação mostra por que a evolução da previsão meteorológica por IA não é apenas uma disputa tecnológica entre empresas.

Em determinadas situações, algumas horas adicionais de informação podem fazer diferença para autoridades, equipes de emergência e comunidades expostas a eventos extremos.

Google quer colocar a previsão diretamente nos produtos

A estratégia do Google também chama atenção pela forma como a empresa pretende distribuir essa tecnologia.

O WeatherNext 3 começou a ser integrado a produtos como Google Search, Gemini e Google Maps, além do Google Maps Platform e ferramentas voltadas a empresas e pesquisadores.

Isso significa que o modelo não ficará restrito a laboratórios meteorológicos.

Para o usuário comum, a tecnologia poderá aparecer de maneira quase invisível. Em vez de saber que uma previsão foi produzida por uma arquitetura de IA sofisticada, a pessoa simplesmente verá uma informação meteorológica mais atualizada.

Para pesquisadores e empresas, a situação é diferente.

O Google também disponibiliza os dados por meio de ferramentas como BigQuery, Earth Engine e Google Cloud Storage, permitindo que organizações utilizem as previsões em seus próprios fluxos de trabalho.

É nesse ponto que o projeto começa a deixar de ser apenas um recurso de previsão do tempo e passa a funcionar como uma infraestrutura de dados meteorológicos.

Ainda existe um limite que nenhuma IA consegue eliminar

Por mais impressionantes que sejam os resultados, existe uma característica fundamental do clima que permanece: a atmosfera é caótica.

Uma previsão pode ficar muito melhor sem se tornar perfeita.

Pequenas diferenças nas condições iniciais podem crescer ao longo do tempo, tornando cada vez mais difícil prever exatamente o que acontecerá muitos dias depois. Por isso, sistemas meteorológicos frequentemente trabalham com diferentes cenários e probabilidades, em vez de tratar uma única previsão como certeza absoluta.

O próprio Google reconhece essa limitação e ressalta que o WeatherNext 3 não elimina a incerteza natural da atmosfera.

Essa ressalva é importante principalmente quando a tecnologia é aplicada a situações de risco.

Para alertas oficiais, tempestades severas e orientações de segurança, as recomendações das autoridades meteorológicas continuam sendo a referência.

O próximo passo da previsão do tempo

O WeatherNext 3 mostra uma mudança importante na relação entre inteligência artificial e ciência.

A tecnologia não está sendo usada apenas para gerar textos, imagens ou responder perguntas. Ela também está sendo treinada para compreender sistemas físicos extremamente complexos e transformar grandes volumes de observações em previsões úteis.

O salto mais interessante talvez esteja na combinação de velocidade, resolução e dados em tempo real.

Um modelo capaz de observar o planeta continuamente, atualizar suas previsões a cada hora e representar fenômenos em uma escala mais detalhada pode mudar a forma como empresas e pessoas tomam decisões relacionadas ao clima.

No Google, essa transformação também faz parte de uma estratégia maior. A empresa já utiliza IA para diferentes problemas científicos e ambientais, e o WeatherNext aparece como uma das principais aplicações dessa abordagem no estudo da Terra.

Para o usuário, tudo isso pode acabar aparecendo de forma bastante simples.

Uma previsão de chuva mais confiável no Google Maps. Uma resposta mais precisa no Gemini. Um alerta atualizado na Busca.

E, talvez, uma decisão banal que resume toda a complexidade por trás da tecnologia: sair de casa sem o guarda-chuva ou finalmente lembrar de levá-lo.