Em 2024, Muhammad Irfan Virk visitou pela primeira vez a Administração Meteorológica da China (CMA) em Pequim e ficou impressionado com o nível de progresso tecnológico, observando que os escritórios de previsão da CMA pareciam 'quase de ficção científica'.
Virk fazia parte de um grupo de meteorologistas do Departamento de Meteorologia do Paquistão (PMD) enviado à CMA para adaptar a plataforma de previsão do tempo às necessidades do Paquistão. Este sistema é conhecido como MAZU, que significa 'múltiplas ameaças, alerta, zero lacunas e universalidade'. O nome também faz referência à deusa marítima tradicional chinesa que protege os marinheiros.
Zahir Ahmed Babar, meteorologista chefe do PMD e diretor executivo interino, salientou que o sistema de IA não consegue impedir fenómenos meteorológicos extremos. No entanto, ao fornecer avisos mais antecipados, permite que os meteorologistas tomem decisões mais ponderadas. Ele acrescentou que o uso dessas informações para reduzir perdas permanece ao critério dos utilizadores.
De acordo com Yin Xinsin, attachée científica da Embaixada da China em Islamabad, a versão MAZU adaptada para o Paquistão tem sido utilizada pelo PMD desde outubro de 2025, juntamente com outras ferramentas de alerta precoce, incluindo dados de satélite e outros modelos meteorológicos.
Yin Xinsin observou que, dado que o Paquistão necessita urgentemente de capacidades de alerta precoce e redução de riscos de desastres naturais, ambas as partes desenvolveram e implementaram conjuntamente o sistema MAZU, tornando o Paquistão o primeiro país a receber este desenvolvimento inovador. A colaboração entre a CMA e o PMD tem uma longa história e, segundo Yin, ocorre no âmbito da 'cooperação Sul-Sul em mudança climática' por parte do governo chinês.
Após as inundações ocorridas a 26 de agosto nas regiões vizinhas do Nepal e da China, o MAZU também é usado para avaliar e prever condições meteorológicas locais com o objetivo de organizar operações de resgate. De acordo com a China Daily, as autoridades chinesas estão a usar o sistema para fornecer ao Nepal atualizações diárias sobre o desenvolvimento e previsões de riscos de lagos de barreira recém-formados, bem como para monitorização hidrológica em situações de emergência.
Embora os especialistas em modelagem meteorológica baseada em IA recebam bem o uso do modelo chinês, eles alertam que este não é uma panaceia para sistemas de alerta precoce. Além disso, ainda é cedo para julgar a sua precisão no contexto climático e geográfico local do Paquistão.
Numa conferência de imprensa em abril, dedicada à cooperação internacional contínua para expandir o MAZU, Chen Zhenlin, administrador da CMA, declarou que os sistemas de alerta precoce são uma forma economicamente eficiente de proteger vidas e bens em condições de ameaça de tempo extremo para a segurança alimentar e energética.
De acordo com boletins de notícias chineses, na Conferência Mundial de Inteligência Artificial em 2026 em Xangai, o estande MAZU despertou enorme interesse entre diplomatas, engenheiros e jornalistas. A popularidade do sistema pode ter aumentado porque o presidente chinês Xi Jinping mencionou-o no seu discurso principal na conferência. Ele anunciou que, nos próximos cinco anos, a China fornecerá 5000 oportunidades de formação e seminários de IA a países em desenvolvimento e permitirá que 30 países utilizem o sistema de alerta meteorológico baseado em IA, MAZU.
Babar do PMD observou que o MAZU pode ser adaptado à geografia, infraestrutura e riscos de desastres de um país específico através da integração de dados meteorológicos locais. Investigadores e meteorologistas paquistaneses foram treinados no uso da versão calibrada para os dados do Paquistão.
O sistema MAZU também foi implementado em Djibouti, Etiópia, Mongólia, Jordânia, Sri Lanka e Ilhas Salomão. A China também apoia mais de 40 países através de testes virtuais em nuvem do sistema.
Asim Javed, CEO da AI Geo Navigators, que utiliza IA, dados geoespaciais e sensoriamento remoto para avaliar condições meteorológicas e riscos ambientais, considera valioso que a plataforma combine meteorologia tradicional, dados de satélite e radar, observações de estações terrestres e calibração local com análise e alertas de IA. Ele sublinhou que a integração de todas essas entradas num só lugar muda a abordagem dos meteorologistas ao trabalho.
O climatologista Imran Khalid adverte que as ferramentas meteorológicas baseadas em IA apoiam os sistemas de alerta precoce, mas por si só não são 'sistemas autónomos suficientes para preencher as nossas lacunas... pelo menos por agora'. Babar explicou que um sistema de alerta precoce eficaz requer uma abordagem abrangente de todo o governo, baseada em quatro componentes: gestão de riscos de desastres, deteção e previsão, disseminação e comunicação, e preparação e resposta.
Esta abordagem holística é apoiada por Junaid Yamin, cofundador do serviço de previsão do tempo paquistanês WeatherWalay. Ele também afirmou que o sucesso do setor hidrometeorológico depende, em última análise, de uma parceria público-privada eficaz. Yamin enfatizou que nenhuma organização pode lidar com as alterações climáticas sozinha; isso exige a superação de barreiras, partilha de dados e alinhamento dos esforços do governo, empresas e sociedade civil em torno de uma missão comum.
Javed concordou com isso, afirmando que os dados meteorológicos devem ser de 'código aberto'. Ele explicou que chuva e calor provocam inúmeros perigos meteorológicos que afetam os negócios — desde telecomunicações e banca até agricultura. O acesso a dados meteorológicos pode ajudar as empresas a desenvolver produtos que reduzam os danos causados por desastres naturais.
A Organização Meteorológica Mundial (OMM) promove uma troca mais livre de dados meteorológicos observacionais no âmbito da sua política unificada de dados de 2021 e estratégia para 2024-27, que enfatiza a parceria com o setor privado.
Babar explicou que a atmosfera é 'inerentemente caótica', e mesmo pequenas mudanças na pressão do ar, temperatura, vento e humidade podem tornar impossível uma previsão precisa apenas com métodos tradicionais. É aqui que sistemas como o MAZU podem ajudar, pois são capazes de resolver equações matemáticas complexas em segundos, permitindo que os meteorologistas tomem decisões mais rápidas e oportunas.
No entanto, como notou Khalid, estes sistemas são tão bons quanto os dados meteorológicos que lhes são fornecidos. Sem dados de qualidade, as previsões serão apenas suposições. Tais programas podem prever grandes eventos, como monções e ondas de calor. No entanto, previsões precisas — por exemplo, quando a monção atingirá um determinado vale numa região montanhosa ou se o calor provocará inundações de lagos glaciares — exigem cobertura de radar densa e uniformemente distribuída, que falta no Paquistão.
Os lagos glaciares, formados por águas derretidas de geleiras montanhosas, representam uma ameaça crescente na bacia hidrográfica do Himalaia. Estas inundações podem ser causadas por sismos, avalanches ou acumulação excessiva de água de degelo. Javed observou que o Paquistão representa um caso complexo: as estações terrestres são escassas, e a altitude pode mudar drasticamente em algumas dezenas de quilómetros nas regiões montanhosas do norte do país. Eventos que causam mortes humanas — precipitação intensa altamente localizada e inundações repentinas — ocorrem em escalas que a maioria dos modelos globais não consegue prever. O MAZU não consegue prever o tempo a nível de 1 km, tal como a maioria dos modelos dos EUA e da Europa, que geralmente operam com uma resolução de cerca de 9 km.
Outro problema, na opinião de Javed, é o equívoco comum de que os sistemas de IA fornecem automaticamente resultados de alta precisão. Ele explicou que tudo ainda depende de observações e modelos. O modelo aprende com o passado, e os eventos sobre os quais mais precisamos de alertas frequentemente têm o menor registo histórico. Essas lacunas limitam a precisão da previsão do tempo a nível local. Khalid alertou que, sem dados terrestres detalhados, as ferramentas de IA podem 'alucinar', fornecendo previsões locais confiantes sem uma base observacional real, o que pode levar a sérias consequências.
Ele também observou que os modelos podem omitir eventos altamente localizados, como chuvas intensas em vários quarteirões ou o momento e local exatos em que um ciclone toca terra, deixando as comunidades despreparadas. Portanto, os dados de radar localizados são críticos.
Os resultados dos modelos devem ser verificados independentemente, e os próprios sistemas devem ser treinados tendo em conta as realidades do Paquistão. Isso inclui o treino em padrões meteorológicos históricos e a indicação de incertezas nos resultados na presença de lacunas de dados. Além disso, os resultados devem considerar limitações institucionais, como atrasos na comunicação entre agências governamentais, bem como a falta de pessoal especializado e equipamento de monitorização, como observou Khalid.
Javed também levantou a questão da responsabilização. O uso de um sistema com suporte de IA, como o MAZU, introduz saídas de modelo adicionais ou recomendações automatizadas. Estes devem ser documentados, sendo que o meteorologista autorizado do PMD mantém a responsabilidade pela emissão do aviso público. Ele insistiu que cada aviso deve ter um rasto de auditoria claro, mostrando as observações, as saídas do modelo, os limiares e o julgamento profissional por trás dele. Ele acrescentou que o MAZU deve tornar esse julgamento 'mais preciso, e não opcional'.
Para verificar se o MAZU realmente funciona melhor do que os sistemas existentes, Javed sugeriu usar três critérios simples. Primeiro, ele verificará a precisão das previsões do MAZU em comparação com o sistema existente do PMD e um padrão independente, como um sistema de previsão global reconhecido. Segundo, será realizada uma verificação de deteção de ameaças: 'O MAZU pode identificar com precisão fenómenos meteorológicos perigosos, em vez de apenas prever o tempo normal?'. Terceiro, será avaliado o valor prático: quanto tempo adicional de aviso o sistema fornece e quantos falsos alarmes gera. Ele concluiu que, se o MAZU provar a sua superioridade em habilidades de previsão, deteção de ameaças e tempo de aviso, trará benefícios reais; caso contrário, será uma plataforma bem projetada, mas não testada.