Universidade de Manchester usa NVIDIA Earth‑2 para prever a poluição do ar no Reino Unido

A iniciativa coordenada por David Topping e Hao Zhang reúne expertise avançada em ciência climática com a potência de processamento das GPUs mais recentes. O objetivo central é desenvolver um protótipo capaz de antecipar picos de poluentes atmosféricos, oferecendo informações acionáveis tanto para a saúde pública quanto para a formulação de políticas ambientais. Essa combinação de conhecimento especializado e infraestrutura de ponta permite criar previsões que vão além dos modelos tradicionais, ao mesmo tempo em que mantém a agilidade necessária para responder a mudanças rápidas nas condições atmosféricas.

Dados de treinamento e resolução espacial

Para treinar os modelos, a equipe utilizou um ano completo de simulações químico‑climáticas produzidas para o Reino Unido, com dados disponibilizados em intervalos horários. Essa densidade temporal fornece uma base rica que, ao ser processada, gera previsões com resolução espacial entre dois e três quilômetros. Tal nível de detalhe é suficiente para distinguir áreas urbanas com alta vulnerabilidade, bem como regiões costeiras onde a ventilação atmosférica pode mudar de forma abrupta, influenciando a dispersão dos poluentes.

Infraestrutura de computação

O módulo CorrDiff foi treinado em apenas dois dias, graças ao uso de um nó único composto por oito GPUs do cluster Isambard‑AI, localizado em Bristol. Esse cluster agrega 5 448 superchips GH200, entregando cerca de 21 exaflops de capacidade dedicada à inteligência artificial. Para a fase de inferência em tempo real e para ajustes finos nos modelos, a equipe recorre ao DGX Spark, equipado com a GPU Grace Blackwell GB10, que oferece latência reduzida e alto throughput para operações de previsão contínua.

Funcionalidades do StormCast

O componente StormCast adiciona ao sistema a capacidade de gerar previsões dependentes das condições meteorológicas, incorporando observações de qualidade do ar em tempo real. Essa integração permite que o modelo ajuste suas estimativas conforme variáveis como vento, temperatura e umidade evoluem, resultando em alertas mais precisos e contextualizados.

• Alertas antecipados para pacientes com asma ou doenças respiratórias.
• Simulações de impacto de políticas públicas de redução de emissões.
• Integração de dados de sensores de baixa custo em áreas periféricas.
• Apoio à gestão de incêndios florestais por meio de estimativas de fumaça.

Perspectivas de abertura e aprimoramento

A equipe tem a intenção de tornar públicos os conjuntos de dados de treinamento, bem como os fluxos de trabalho que foram empregados, facilitando a replicação por outras instituições de pesquisa. Além disso, há planos ambiciosos para aumentar a resolução das previsões para a escala de rua, incorporando fontes abertas adicionais, como redes de sensores comunitários, que podem enriquecer ainda mais a granularidade das informações geradas.

Avaliação de riscos e governança

Estudos recentes apontam que a poluição do ar foi responsável por cerca de trinta mil mortes no Reino Unido em 2025, gerando custos superiores a vinte e sete bilhões de libras por ano. Esse cenário evidencia a necessidade de validar os modelos de forma independente, monitorar continuamente a deriva dos dados, garantir a disponibilidade de observações locais e estabelecer estruturas de governança transparentes antes de qualquer implantação operacional em larga escala.

Implicações para o setor empresarial e institucional brasileiro

Empresas e instituições brasileiras que atuam nas áreas de saúde pública, planejamento urbano ou energia podem se inspirar nesse protótipo. A capacidade de combinar grandes volumes de dados climáticos com IA de alta performance abre caminho para sistemas de alerta precoce, otimização de redes de transporte e avaliação de impactos ambientais em projetos de infraestrutura. A adoção de práticas de código aberto e a colaboração internacional, como demonstrado pela Universidade de Manchester, podem acelerar a implementação de soluções locais adaptadas às especificidades do Brasil.

O que as organizações brasileiras devem verificar

Antes de integrar esse tipo de modelo em operações cotidianas, as organizações brasileiras precisam assegurar a qualidade e a representatividade dos dados de entrada, validar os resultados contra medições locais, estabelecer protocolos claros de atualização dos modelos e definir responsabilidades de governança que garantam transparência e responsabilidade social.