NASA EARTH OBSERVING SYSTEM
MADRID 26 ago. (EUROPA PRESS) -
Em um estudo publicado na AGU Advances, pesquisadores da Universidade de Washington usaram IA para simular o clima atual da Terra e sua variabilidade interanual por até 1.000 anos.
O modelo é executado em um único processador e gera uma previsão em apenas 12 horas. Em um supercomputador de última geração, a mesma simulação levaria aproximadamente 90 dias.
Os chamados "eventos climáticos de 100 anos" agora parecem quase comuns, pois as enchentes, tempestades e incêndios continuam a estabelecer novos padrões de magnitude, intensidade e destruição.
No entanto, para classificar o clima como um verdadeiro evento de 100 anos, deve haver apenas 1% de chance de ocorrer em um determinado ano. O problema é que os pesquisadores nem sempre sabem se o clima se encaixa no clima atual ou se desafia as probabilidades.
Os modelos tradicionais de previsão do tempo são executados em supercomputadores que consomem muita energia e que geralmente estão instalados em grandes instituições de pesquisa. Nos últimos cinco anos, a inteligência artificial tornou-se uma ferramenta poderosa para previsões mais baratas e rápidas, mas a maioria dos modelos baseados em IA só consegue fazer previsões precisas com 10 dias de antecedência. Ainda assim, as previsões de longo prazo são cruciais para a ciência climática e para ajudar as pessoas a se prepararem para as próximas estações.
"Estamos desenvolvendo uma ferramenta que examina a variabilidade do nosso clima atual para ajudar a responder a essa pergunta persistente: um determinado evento está ocorrendo naturalmente ou não", disse Dale Durran, professor de ciências atmosféricas e climáticas da Universidade de Washington.
Durran foi um dos primeiros a introduzir a IA na previsão do tempo, há mais de cinco anos, quando ele e o ex-aluno de pós-graduação da Universidade de Washington, Jonathan Weyn, fizeram uma parceria com a Microsoft Research. Durran também é um pesquisador conjunto da Nvidia, sediada na Califórnia.
"Para treinar um modelo de IA, é preciso fornecer muitos dados a ele", explicou Durran. "Mas se você dividir os dados históricos disponíveis por estação, não terá muitos pedaços."
Os conjuntos de dados globais mais precisos para o clima diário datam de 1979, aproximadamente. Embora existam muitos dias entre essa data e a atual que podem ser usados para treinar um modelo de previsão meteorológica diária, o mesmo período contém menos estações. Essa falta de dados históricos foi percebida como uma barreira para o uso da IA na previsão sazonal.
Ironicamente, a mais recente contribuição do grupo Durran para a previsão, o Deep Learning Earth System Model (DLESyM), foi treinado para previsões de um dia, mas ainda aprendeu a captar a variabilidade sazonal.
DUAS REDES NEURAIS COMBINADAS
O modelo combina duas redes neurais: uma representando a atmosfera e a outra o oceano. Embora os modelos tradicionais do sistema terrestre geralmente combinem previsões atmosféricas e oceânicas, os pesquisadores ainda não haviam incorporado essa abordagem em modelos orientados exclusivamente por IA.
"Fomos os primeiros a aplicar essa estrutura à IA e descobrimos que ela funcionou muito bem", disse o autor principal Nathaniel Cresswell-Clay, um estudante de pós-graduação em ciências atmosféricas e climáticas da Universidade de Washington. Apresentamos esse modelo como um desafio a muitas das suposições atuais sobre IA na ciência climática.
Como as temperaturas da superfície do mar mudam mais lentamente do que as temperaturas do ar, o modelo oceânico atualiza suas previsões a cada quatro dias, enquanto o modelo atmosférico atualiza suas previsões a cada 12 horas. Atualmente, Cresswell-Clay está trabalhando na incorporação de um modelo de superfície terrestre ao DLESyM.
"Nosso projeto abre a porta para a incorporação de outros componentes do sistema terrestre no futuro", disse ele em um comunicado, especialmente componentes que eram difíceis de modelar no passado, como a relação entre o solo, as plantas e a atmosfera. Em vez de os pesquisadores criarem uma equação para representar essa relação complexa, a IA aprende diretamente com os dados.
Os pesquisadores demonstraram o desempenho do modelo comparando suas previsões de eventos passados com aquelas geradas pelos quatro principais modelos na sexta fase do Projeto de Intercomparação de Modelos Acoplados (CMIP6), todos executados em supercomputadores. As previsões climáticas do clima futuro feitas por esses modelos foram os principais recursos usados no último relatório do Painel Intergovernamental sobre Mudanças Climáticas (IPCC).
O DLESyM simulou ciclones tropicais e o ciclo sazonal da monção do verão indiano melhor do que os modelos CMIP6. Em latitudes médias, o DLESyM captou a variabilidade mensal e interanual dos padrões climáticos pelo menos tão bem quanto os modelos CMIP6.
EVENTOS DE BLOQUEIO ATMOSFÉRICO
Por exemplo, o modelo capturou eventos de "bloqueio" atmosférico tão bem quanto os principais modelos baseados em física. O bloqueio refere-se à formação de cristas atmosféricas que mantêm as regiões quentes e secas e outras frias ou úmidas, desviando os sistemas meteorológicos que chegam.
"Muitos modelos climáticos existentes não capturam esse padrão adequadamente", disse Cresswell-Clay. "A qualidade de nossos resultados valida nosso modelo e aumenta nossa confiança em suas projeções futuras."
Nem os modelos CMIP6 nem o DLESyM são 100% precisos, mas o fato de que a abordagem baseada em IA foi competitiva com um consumo de energia muito menor é significativo.
Esta notícia foi traduzida por um tradutor automático