NVIDIA mostra modelos abertos Earth-2 em uso real na Europa para previsão de tempo e clima

O ponto central é a escala local. Uma previsão global mostra a tempestade se formando, mas quem decide sobre usina solar, rota marítima ou imóvel segurado precisa do que acontece naquele lugar. O NVIDIA Earth-2 reúne modelos de IA abertos e ferramentas que podem ser personalizados com dados próprios, rodando em infraestrutura NVIDIA, para previsão global, previsões regionais detalhadas e pesquisa ambiental.

O modelo mais novo é o StormScope EU, versão regional do StormScope para curto prazo, treinada com dados europeus. Ele usa observações de satélite da EUMETSAT para prever a evolução da cobertura de nuvens em 16 canais do Meteosat, a cada 10 minutos. Na GTC Berlin, a NVIDIA mostra um pipeline ao vivo feito com a Earthmover: o Earth2Studio roda as previsões, a plataforma de dados da Earthmover gerencia e serve os resultados como map tiles, atualizados a cada nova observação de satélite, sem baixar datasets inteiros. Para novos usos, como qualidade do ar, o framework open source PhysicsNeMo traz as ferramentas de treino e customização, e o CorrDiff adiciona detalhe local a dados de menor resolução.

Os casos citados são variados. A AXA usa o FourCastNet 3 para estudar risco regional de ciclones em mais de 1.000 temporadas simuladas. A Vaisala Xweather adapta o StormScope com dados de raios para ampliar a antecedência de alertas. A University of Manchester adaptou o CorrDiff para qualidade do ar no Reino Unido, treinando no Isambard-AI e rodando localmente em sistemas DGX Spark. A TotalEnergies avalia nowcasts de radiação solar em dois sites fotovoltaicos, e a Space42 criou o SARDiff4Height, que estima alturas de superfície a partir de uma imagem de radar e gera mapas de incerteza. Note que a TotalEnergies ainda está em fase de avaliação, não em produção.

Para quem opera ML em clima, energia ou seguros, a leitura é que modelos abertos e ajustáveis com dados proprietários baixam a barreira para ter previsão regional própria. O caso de Manchester, do supercomputador ao desktop, sugere um custo de inferência mais acessível, mas a fonte não traz números de desempenho ou custo. Vale tratar os exemplos como adoção inicial, com resultados ainda por medir.