- Modelos que são mais confiáveis e com melhor desempenho energético podem ajudar a nos preparamos melhor para climas extremos. Para o Pantanal seria de grande importância se chegar a regiões específicas – vejamos como avança
Via Revista Nature
Um modelo de computador que combina tecnologia convencional de previsão do tempo com machine learning (aprendizado de máquina, em inglês – subconjunto da inteligência artificial que permite que um sistema aprenda e melhore de maneira autônoma) superou outras ferramentas baseadas em IA na previsão de cenários climáticos e tendências climáticas de longo prazo.
A ferramenta, descrita na Nature em 22 de julho, é o primeiro modelo de aprendizado de máquina a gerar previsões meteorológicas por conjunto precisas – aquelas que apresentam uma gama de cenários. Seu desenvolvimento abre a porta para previsões que são mais rápidas e demandam uso menos intensivo de energia do que as ferramentas existentes, e mais detalhadas do que abordagens baseadas somente em IA.
“Modelos climáticos tradicionais precisam ser executados em supercomputadores. Este é um modelo que você pode executar em minutos”, diz o coautor do estudo Stephan Hoyer, que estuda aprendizado profundo no Google Research em Mountain View, Califórnia.
Os sistemas de previsão atuais normalmente dependem de modelos de circulação geral (GCMs), programas que se baseiam nas leis da física para simular processos nos oceanos e na atmosfera da Terra e prever como eles podem afetar o tempo e o clima. Mas os GCMs exigem muito poder de computação, e os avanços no aprendizado de máquina estão começando a fornecer uma alternativa mais eficiente. “Temos terabytes ou petabytes (um milhão de vezes maior que um gigabyte) de dados meteorológicos históricos”, diz Hoyer. “Ao aprender com esses padrões, podemos construir modelos melhores”.
Já existem alguns modelos de previsão baseados em machine learning disponíveis, como o Pangu-Weather, construído pelo conglomerado de tecnologia Huawei, sediado em Shenzhen, China; e o GraphCast da DeepMind , sediada em Londres. Esses modelos têm níveis de precisão semelhantes aos GCMs típicos para previsão determinística — uma abordagem que gera uma única previsão do tempo. Mas os GCMs não são tão confiáveis para previsão por conjunto ou para previsões climáticas de longo prazo.
“O problema com abordagens baseadas puramente em machine learning é que você só está treinando [o sistema] com dados que ele já viu”, diz Scott Hosking, que pesquisa dados ambientais e de IA no Alan Turing Institute em Londres. “O clima está mudando continuamente, estamos indo para o desconhecido, então nossos modelos de aprendizado de máquina têm de extrapolar para esse futuro desconhecido. Ao trazer a física para o modelo, podemos garantir que nossos modelos sejam fisicamente restritos e não possam fazer nada irrealista”.
Modelo híbrido
Hoyer e sua equipe desenvolveram e treinaram o NeuralGCM, um modelo que combina “aspectos de um solucionador atmosférico tradicional baseado na física com alguns componentes de IA”, diz Hoyer. Eles usaram o modelo para produzir previsões meteorológicas de curto e longo prazo, bem como projeções climáticas. Para avaliar a precisão do NeuralGCM, os pesquisadores compararam suas previsões com dados do mundo real, bem como resultados de outros modelos, incluindo GCMs e aqueles baseados puramente em aprendizado de máquina.
Como os modelos atuais de aprendizado de máquina, o NeuralGCM pode produzir previsões meteorológicas precisas e determinísticas de curto prazo – com um a três dias de antecedência – enquanto consome uma fração da energia exigida pelos GCMs. Mas ele cometeu muito menos erros do que outros modelos de aprendizagem automática ao produzir previsões de longo prazo além de sete dias. Na verdade, as previsões de longo prazo do NeuralGCM eram semelhantes às previsões feitas pelo modelo por conjunto do Centro Europeu de Previsão Meteorológica de Médio Prazo (ECMWF-ENS), um GCM que é amplamente considerado o padrão ouro para previsão do tempo.
A equipe também testou até que ponto o modelo poderia prever diferentes fenômenos climáticos, como ciclones tropicais. Eles descobriram que muitos dos modelos puros de aprendizado de máquina produziram previsões inconsistentes e imprecisas em comparação com NeuralGCM e ECMWF-ENS. Os pesquisadores até compararam o NeuralGCM com modelos climáticos de altíssima resolução, conhecidos como modelos globais de resolução de tempestades. O NeuralGCM poderia produzir contagens e trajetórias de ciclones tropicais mais realistas em um tempo mais curto.
Ser capaz de prever tais eventos é “muito importante para melhorar as capacidades de tomada de decisão e estratégias de preparação”, diz Hosking.
Hoyer e seus colegas estão ansiosos para refinar e adaptar ainda mais o NeuralGCM. “Temos trabalhado no componente atmosférico da modelagem do sistema da Terra… É talvez a parte que afeta mais diretamente o clima do dia a dia”, diz Hoyer. Ele acrescenta que a equipe deseja incorporar mais aspectos das ciências da Terra em versões futuras, para melhorar ainda mais a precisão do modelo.
