Views: 50
Cientistas do KIT usam técnicas de inteligência artificial para tornar as previsões do tempo mais precisas
Courtesy KIT : Tempestades, sol, frio, calor – como o tempo pode ser mutável, o maio deste ano mostrou. Responsável é a atmosfera do “sistema caótico”: propriedades físicas como temperatura, umidade ou nebulosidade estão mudando constantemente. As previsões do tempo tentam prever o caos e fazer declarações confiáveis. Cientistas da meteorologia e matemática no Instituto de Tecnologia de Karlsruhe (KIT) desenvolveram um novo método que corrige baseado em erro de inteligência artificial na previsão do tempo, tendo em conta as relações não lineares.
As massas de ar que estão em constante movimento, as temperaturas que flutuam e alteram as condições de pressão de ar fazem com que a atmosfera sobre nós seja difícil de prever. Mas isso é o que os meteorologistas fazem para fazer previsões meteorológicas confiáveis. Como base, eles usam medições do estado atual da atmosfera e simulam cenários alternativos baseados nela, por exemplo, alteram conscientemente a temperatura ou a umidade e calculam como essa modificação pode afetar o clima. Para cada métrica, eles comparam até 50 cenários. “Assemelhando-se a resultados indicaram o que sugere um prognóstico com estes valores relativamente seguros e o estado da atmosfera nesta área estável e previsível”, diz Peter Knippertz do Instituto de Meteorologia e Pesquisa de Clima do KIT.
No entanto, este método está sujeito a incertezas sistemáticas que distorcem os resultados: “Os cenários de computador fazem algumas relações físicas não refletem no nível necessário de detalhe ou resolução espacial”, diz Sebastian Lerch do Instituto de Stochastics na KIT, que trabalha em estreita colaboração com Knippertz. Por exemplo, as previsões sobre a temperatura em determinados locais são sempre muito leves e muito altas para outras, porque as condições locais, às vezes são variáveis temporalmente, e não podem ser fornecidas aos modelos. Portanto, seria necessário refazer os resultados das simulações com métodos estatísticos complexos e conhecimento especializado para obter melhores previsões e probabilidades de ocorrência de eventos climáticos.
“Nós desenvolvemos uma abordagem que fornece previsões melhores do que os métodos padrão estabelecidos”, de acordo com Lerch, que trabalha ao mesmo tempo no Instituto Heidelberg para Estudos Teóricos (HITS) e uma cadeira no grupo de Tilmann Gneiting KIT. A base para isso são redes neurais, isto é, programas de computador que processam informações sobre o modelo do cérebro. Os neurônios artificiais estão dispostos em camadas. Isso permite que os matemáticos “treinem” a rede para processar de maneira ideal certos dados. Com cada informação que flui através da rede na fase de treinamento, ela coleta “experiência”, pode melhorar continuamente e, por exemplo, determinar com precisão a probabilidade de ocorrência de eventos climáticos locais.
“Inserimos em nossa rede uma camada intermediária na qual os neurônios analisam e avaliam as interações caóticas e não lineares entre os dados das estações meteorológicas e os estados físicos da atmosfera na simulação”, diz Lerch. “Para que possa aprender, por exemplo, como as mudanças afetam a temperatura em uma determinada estação de medição.” Para treinar sua rede, os matemáticos usam dados climáticos da Alemanha, que registraram 537 estações meteorológicas de 2007 a 2016. As variáveis de entrada para a rede neural incluíram cobertura de nuvens, umidade do solo e temperatura.
As previsões feitas pela rede foram comparadas por matemáticos com previsões de técnicas estabelecidas. “Nossa abordagem fez previsões muito mais precisas para quase todas as estações meteorológicas e é muito menos computacionalmente cara”, resumiu Lerch. As vantagens das redes neurais como métodos de pós-processamento são, acima de tudo, reconhecer as relações não-lineares de maneira independente e contínua, adaptando seu conhecimento sobre elas. Além disso, eles podem processar grandes quantidades de dados mais rapidamente do que os métodos anteriores e especialistas humanos. “Esta é a primeira vez que conseguimos mostrar que as redes neurais são as mais adequadas para melhorar as previsões meteorológicas e obter informações sobre os processos meteorológicos”.
Pesquisa inter-regional para melhores previsões do tempo
A pesquisa de Lerch faz parte do SFB / Transregios 165 “Waves to Weather” (W2W), cujo co-porta-voz é Knippertz. Cientistas do Kit, o Ludwig-Maximilians-University (LMU) de Munique, e pela Universidade de Gutenberg Johannes (JGU) como um coordenador Nacional trabalham aqui juntos e de forma interdisciplinar para fazer previsões meteorológicas mais precisas e mais confiáveis. Assim, o W2W é atualmente o maior desafio na previsão do tempo: identificar os limites da previsibilidade em diferentes situações e criar a melhor previsão física possível. A Fundação Alemã de Pesquisa (DFG) apoia o SFB desde 2015 e estendeu seu financiamento há algumas semanas por mais quatro anos.
Detalhes sobre o Centro Climático e Ambiental do KIT: http://www.klima-umwelt.kit.edu
Faça um comentário