Na última década, aplicativos de inteligência artificial ("IA") explodiram em vários setores de pesquisa, incluindo visão computacional, comunicações e medicina. Agora, a tecnologia em rápido desenvolvimento está deixando sua marca na previsão do tempo.

Os campos da ciência atmosférica e meteorologia por satélite são ideais para a tarefa, oferecendo um campo de treinamento rico capaz de alimentar o apetite infindável de um sistema de IA por dados. Anthony Wimmers é um cientista do Instituto Cooperativo para Estudos de Satélites Meteorológicos (CIMSS) da Universidade de Wisconsin-Madison que tem trabalhado com sistemas de IA nos últimos três anos. Sua última pesquisa investiga como um modelo de IA pode ajudar a melhorar a previsão de curto prazo (ou "previsão imediata") de furacões.

Conhecido como DeepMicroNet, o modelo usa aprendizado profundo, um tipo de rede neural organizada em camadas de interação "profundas" que encontram padrões dentro de um conjunto de dados. Wimmers explora como um sistema de IA como o DeepMicroNet pode complementar e oferecer suporte a sistemas convencionais de previsão do tempo.

Em um artigo de 2019 publicado na revista Revisão Mensal do Tempo , Wimmers e colegas Chris Velden, do CIMSS, e Josh Cossuth, do Laboratório de Pesquisa Naval dos EUA, descreve uma maneira de aproveitar o aprendizado profundo para estimar a força do furacão com base em dados de satélites meteorológicos específicos. À medida que passam por cima, esses satélites coletam informações importantes sobre a estrutura de um furacão por meio de medições na parte de microondas do espectro eletromagnético. Com 30 anos de dados de microondas, o artigo demonstra como o modelo pode estimar - com precisão crescente - a intensidade de um ciclone tropical.

"Os resultados do estudo são muito promissores, não apenas pela precisão de previsão do modelo, mas também porque esses resultados vieram de dados normalmente não usados ​​para estimar a intensidade do furacão, "Wimmers diz.

Análises rápidas como essas podem dar aos meteorologistas informações vitais sobre o comportamento de uma tempestade e o que esperar, por exemplo, se a tempestade passará por substituições da parede do olho ou intensificação rápida.

Ao prever os ventos máximos sustentados de um furacão, Os resultados da DeepMicroNet diferiram do registro histórico de valores estimados pelo previsor em cerca de 16 milhas por hora. Os resultados da DeepMicroNet melhoraram, Contudo, quando os conjuntos de dados foram limitados aos dados medidos diretamente pela aeronave. Então, DeepMicroNet estava errado por menos de 11,5 mph. Por comparação, as estimativas que usam métodos de última geração estão normalmente erradas em cerca de 16 quilômetros por hora.

Wimmers se propôs a responder a três perguntas principais. Primeiro, ele queria determinar o desempenho do modelo em comparação aos métodos de última geração para prever a intensidade do furacão. Segundo, era importante avaliar se os resultados eram significativos e avançavam a ciência da meteorologia. Por último, ele queria demonstrar novas maneiras de incorporar dados menos comumente usados, como imagens de microondas em modelos de previsão, ao mesmo tempo que oferece informações valiosas sobre uma tempestade.

"A razão pela qual os sistemas de aprendizado profundo têm crescido tanto na meteorologia de satélites é porque eles estão prontos para esses tipos de aplicações, onde você tem dezenas de milhares de imagens disponíveis para treinar um modelo, "diz Wimmers." Também se aplica a situações em que você precisa de uma resposta rápida. "

Wimmers projetou seu experimento para testar o quão bem um sistema de IA poderia reproduzir a história de um furacão. As intensidades históricas dos furacões vieram de uma combinação de estimativas de previsões baseadas em outros dados de satélite e observações de aeronaves. Sem nenhum conhecimento dos tipos de dados, O trabalho da DeepMicroNet era estimar intensidades de um grande, conjunto de dados independente de imagens de microondas medido nas frequências de 37 GHz e 89 GHz.

"Essas duas frequências são úteis para revelar diferentes estruturas de furacões, "diz Wimmers." Sua resolução relativamente grosseira também significa que podem ser analisados ​​e processados ​​em um computador rapidamente. "

O programa de IA do Wimmers é capaz de passar por mais de 50, 000 imagens de furacões em menos de duas horas. Foi codificado em Python, uma linguagem de programação que se tornou o padrão para aplicativos de aprendizado de máquina poderosos. Wimmers diz que esses sistemas atingem o desempenho máximo depois de executar pelo menos dezenas de milhares de exemplos. Por meio do processamento repetitivo de imagens de treinamento, o sistema mostrou que podia detectar e memorizar padrões na estrutura de um furacão.

DeepMicroNet entregou os resultados finais após um teste de validação usando um subconjunto menor de apenas 3, 000 imagens. Aqui, ele aplicou o que aprendeu durante o treinamento e avaliou com precisão a intensidade dos ciclones tropicais. No passado, a execução de modelos com grandes conjuntos de dados pode levar até uma semana para computar. Hoje, no entanto, os avanços na computação reduziram uma tarefa de treinamento como o DeepMicroNet para 90 minutos.

"Esses resultados foram uma demonstração promissora dos tipos de coisas que podemos fazer com o aprendizado de máquina no futuro, "diz Wimmers." Podemos interpretar os resultados de redes de aprendizagem profunda para melhorar nossos modelos físicos. Podemos encontrar padrões que costumavam estar além do nosso alcance porque eram muito complicados. "

Embora os sistemas de aprendizagem profunda possam ter recursos preditivos poderosos, seu design tem uma desvantagem inerente. Fora da comunidade de IA, as palavras "caixa preta" são freqüentemente usadas para descrever sistemas de IA e seus resultados. Uma fonte de longo debate, "caixa preta" refere-se a quão difícil pode ser, às vezes, para refazer o caminho que um modelo de IA percorreu para chegar à sua conclusão. Isso representa um grande problema para a comunidade científica - que se baseia na transparência e na reprodutibilidade.

Wimmers argumenta que, apesar de algumas das metodologias opacas da IA, os pesquisadores têm muito a ganhar investigando os sistemas de IA e seus processos.

"Por um lado, um modelo de aprendizado profundo de processamento de imagem pode dizer um pouco sobre si mesmo com base em seu desempenho, ou onde concentrou seus esforços e quais áreas de uma imagem foram de maior consequência, "diz Wimmers." Mas por outro lado, não temos um bom sistema para traduzir todas essas informações em sua física básica e interpretá-la para nos dizer o que está acontecendo no mundo natural. "

Modelos meteorológicos mais tradicionais são baseados em uma série de equações e conjuntos de dados derivados da física da atmosfera. Por contraste, um sistema de IA muitas vezes ignora quaisquer suposições existentes e se concentra exclusivamente em encontrar padrões nos dados. Na melhor das hipóteses, o sistema de IA incorpora processos naturais na atmosfera que antes eram ignorados pelos modelos tradicionais.

As descobertas de IA, então, poderia ser usado para complementar os modelos meteorológicos atuais e revelar tendências que valem uma investigação mais aprofundada. Wimmers vê ambas as abordagens desempenhando papéis complementares, cada um com seus pontos fortes e fracos.

"Embora (modelos convencionais de clima) e modelos de aprendizagem profunda já compartilhem muitas semelhanças em como funcionam, são duas ferramentas diferentes que atendem a propósitos diferentes, e podemos fazer uso de ambos, " ele diz.

O campo da pesquisa em IA está evoluindo tão rapidamente que Wimmers diz que pode ser um desafio se manter atualizado. Contudo, seu trabalho está na vanguarda do uso de IA como ferramenta para melhorar as previsões meteorológicas. O Diretor do CIMSS, Tristan L "Ecuyer, vê a IA desempenhando um papel cada vez mais importante para uma série de áreas nas ciências atmosféricas, como a identificação de mau tempo, identificando turbulência, prevendo neve com efeito de lago, medindo o movimento do ar, e rastrear os movimentos do gelo marinho.

"Agora que as imagens de satélite de alta resolução são capturadas a cada poucos minutos e gerando enormes volumes de dados para análise, há uma necessidade de desenvolver novas maneiras inovadoras de extrair informações práticas deles, "diz L" Ecuyer. "A IA vai desempenhar um papel crítico na transição da coleta de dados para a produção e ação de informações na próxima década e o CIMSS está se posicionando para liderar esse esforço nos próximos anos."