Sistema de Aprendizado Profundo Pode Prever com Precisão o Tempo Severo

Engenheiros da Universidade Rice desenvolveram um sistema de aprendizado profundo capaz de prever eventos de tempo severo com até cinco dias de antecedência. O sistema, que se ensinou sozinho, requer apenas informações mínimas sobre as condições climáticas atuais para fazer as previsões.             

Parte do treinamento do sistema envolve examinar centenas de pares de mapas, e cada mapa indica temperaturas de superfície e pressões do ar a cinco quilômetros de altura. Essas condições são mostradas vários dias aparte. O treinamento também apresenta cenários que produziram tempo severo, como ondas de calor e frio que podem causar ondas de calor e tempestades de inverno. Após concluir o treinamento, o sistema de aprendizado profundo foi capaz de fazer previsões de cinco dias de tempo severo com base em mapas que não havia visto anteriormente, com uma taxa de precisão de 85%.

De acordo com Pedram Hassanzadeh, coautor do estudo que foi publicado online na revista Journal of Advances in Modeling Earth Systems, da American Geophysical Union, o sistema pode ser usado como uma ferramenta e atuar como um alerta antecipado para os previsores do tempo. Ele será especialmente útil para aprender mais sobre certas condições atmosféricas que causam eventos de tempo severo. 

Devido à invenção da previsão numérica do tempo baseada em computador (NWP) na década de 1950, as previsões do tempo diário continuaram a melhorar. No entanto, a NWP não é capaz de fazer previsões confiáveis sobre eventos de tempo severo, como ondas de calor. 

“Pode ser que precisemos de supercomputadores mais rápidos para resolver as equações que regem os modelos de previsão numérica do tempo em resoluções mais altas”, disse Hassanzadeh, professor assistente de engenharia mecânica e de ciências da Terra, ambientais e planetárias da Universidade Rice. “Mas porque não entendemos completamente a física e as condições precursoras dos padrões de tempo que causam eventos severos, é possível que as equações não sejam completamente precisas e não produzam previsões melhores, não importa quanto poder de computação colocarmos nelas.”

Em 2017, Hassanzadeh foi acompanhado por coautores do estudo e estudantes de pós-graduação Ashesh Chattopadhyay e Ebrahim Nabizadeh. Juntos, eles seguiram um caminho diferente. 

“Quando você obtém essas ondas de calor ou frio, se você olhar o mapa do tempo, você geralmente verá algum comportamento estranho na corrente a jato, coisas anormais como ondas grandes ou um grande sistema de alta pressão que não se move absolutamente”, disse Hassanzadeh. “Parecia que isso era um problema de reconhecimento de padrões. Então, decidimos tentar reformular a previsão de tempo severo como um problema de reconhecimento de padrões em vez de um problema numérico.”

“Decidimos treinar nosso modelo mostrando-lhe muitos padrões de pressão na altura de cinco quilômetros acima da Terra e dizendo-lhe, para cada um, ‘Este não causou tempo severo. Este causou uma onda de calor na Califórnia. Este não causou nada. Este causou uma onda de frio no Nordeste'”, continuou Hassanzadeh. “Nada específico como Houston versus Dallas, mas mais uma noção de área regional.”

Antes dos computadores, a previsão analógica era usada para prever o tempo. Ela era feita de uma maneira muito semelhante ao novo sistema, mas era feita por humanos em vez de computadores. 

“Uma maneira como a previsão era feita antes dos computadores é que eles olhavam o padrão do sistema de pressão hoje e então iam a um catálogo de padrões anteriores e comparavam e tentavam encontrar um análogo, um padrão muito semelhante”, disse Hassanzadeh. “Se aquele levou à chuva sobre a França após três dias, a previsão seria para chuva na França.”

Agora, as redes neurais podem aprender sozinhas e não precisam necessariamente depender de humanos para encontrar conexões. 

“Não importava que não entendêssemos completamente os precursores porque a rede neural aprendeu a encontrar essas conexões sozinha”, disse Hassanzadeh. “Ela aprendeu quais padrões eram críticos para o tempo severo e usou-os para encontrar o melhor análogo.”

Para testar seu conceito, a equipe confiou em dados tirados de simulações computacionais realistas. Eles originally relataram resultados iniciais com uma rede neural convolucional, mas a equipe então mudou para redes neurais de cápsula. Redes neurais convolucionais não são capazes de reconhecer relações espaciais relativas, mas redes neurais de cápsula podem. Essas relações espaciais relativas são importantes quando se trata da evolução dos padrões do tempo. 

“As posições relativas dos padrões de pressão, os altos e baixos que você vê nos mapas do tempo, são o fator-chave para determinar como o tempo evolui”, disse Hassanzadeh.

Redes neurais de cápsula também requerem menos dados de treinamento do que redes neurais convolucionais. 

A equipe continuará a trabalhar no sistema para que ele possa ser capaz de ser usado em previsões operacionais, mas Hassanzadeh espera que ele eventualmente leve a previsões mais precisas para o tempo severo. 

“Não estamos sugerindo que no final do dia isso vá substituir a NWP”, disse ele. “Mas isso pode ser um guia útil para a NWP. Computacionalmente, isso pode ser uma maneira super barata de fornecer algum guia, um alerta antecipado, que permite focar os recursos da NWP especificamente onde o tempo severo é provável.”

“Queremos aproveitar ideias da inteligência artificial explicável para interpretar o que a rede neural está fazendo”, disse ele. “Isso pode nos ajudar a identificar os precursores dos padrões de tempo que causam eventos severos e melhorar nossa compreensão de sua física.”