Os engenheiros da Rice University criaram um sistema de computador de aprendizagem profunda que se autodidata a prever com precisão eventos climáticos extremos, como ondas de calor, até cinco dias de antecedência, usando o mínimo de informações sobre as condições meteorológicas atuais.

Ironicamente, A "rede neural de cápsula" de autoaprendizagem de Rice usa um método analógico de previsão do tempo que os computadores tornaram obsoleto na década de 1950. Durante o treinamento, ele examina centenas de pares de mapas. Cada mapa mostra as temperaturas da superfície e as pressões do ar a cinco quilômetros de altura, e cada par mostra essas condições com vários dias de intervalo. O treinamento inclui cenários que produziram clima extremo - períodos prolongados de calor e frio que podem levar a ondas de calor mortais e tempestades de inverno. Uma vez treinado, o sistema foi capaz de examinar mapas que não havia visto anteriormente e fazer previsões de cinco dias de condições meteorológicas extremas com 85% de precisão.

Com mais desenvolvimento, o sistema pode servir como um sistema de alerta precoce para meteorologistas, e como uma ferramenta para aprender mais sobre as condições atmosféricas que levam a condições meteorológicas extremas, disse Pedram Hassanzadeh de Rice, co-autor de um estudo sobre o sistema publicado online esta semana no Journal of Advances in Modeling Earth Systems da American Geophysical Union.

A precisão das previsões meteorológicas diárias tem melhorado continuamente desde o advento da previsão numérica do tempo (NWP) baseada em computador na década de 1950. Mas mesmo com modelos numéricos aprimorados da atmosfera e computadores mais poderosos, A NWP não pode prever com segurança eventos extremos, como as ondas de calor mortais na França em 2003 e na Rússia em 2010.

"Pode ser que precisemos de supercomputadores mais rápidos para resolver as equações que regem os modelos numéricos de previsão do tempo em resoluções mais altas, "disse Hassanzadeh, um professor assistente de engenharia mecânica e da Terra, ciências ambientais e planetárias na Rice. "Mas porque não entendemos totalmente a física e as condições precursoras de padrões climáticos extremos, também é possível que as equações não sejam totalmente precisas, e eles não produzirão melhores previsões, não importa quanta capacidade de computação utilizemos. "

No final de 2017, Hassanzadeh e os coautores do estudo e alunos de pós-graduação Ashesh Chattopadhyay e Ebrahim Nabizadeh decidiram adotar uma abordagem diferente.

"Quando você tem essas ondas de calor ou frio, se você olhar para o mapa do tempo, muitas vezes você vai ver algum comportamento estranho no jato, coisas anormais, como ondas grandes ou um grande sistema de alta pressão que não está se movendo, "Hassanzadeh disse." Parecia que era um problema de reconhecimento de padrões. Portanto, decidimos tentar reformular a previsão do tempo extremo como um problema de reconhecimento de padrões, em vez de um problema numérico. "

O aprendizado profundo é uma forma de inteligência artificial, em que os computadores são "treinados" para tomar decisões humanas sem serem explicitamente programados para eles. A base do aprendizado profundo, a rede neural convolucional, destaca-se no reconhecimento de padrões e é a tecnologia-chave para carros autônomos, reconhecimento facial, transcrição de fala e dezenas de outros avanços.

"Decidimos treinar nosso modelo mostrando vários padrões de pressão nos cinco quilômetros acima da Terra, e contando isso, para cada um, "Este não causou clima extremo. Este causou uma onda de calor na Califórnia. Este não causou nada. Este causou um período de frio no Nordeste, "Hassanzadeh disse." Nada específico como Houston contra Dallas, mas mais um sentido da área regional. "

No momento, Hassanzadeh, Chattopadhyay e Nabizadeh mal sabiam que a previsão analógica já havia sido um pilar da previsão do tempo e até mesmo teve um papel histórico nos desembarques do Dia D na Segunda Guerra Mundial.

"Uma das maneiras pelas quais a previsão era feita antes dos computadores é que eles examinariam o padrão do sistema de pressão hoje, e, em seguida, vá para um catálogo de padrões anteriores e compare e tente encontrar um análogo, um padrão muito semelhante, "Hassanzadeh disse." Se aquele trouxesse chuva sobre a França depois de três dias, a previsão é de chuva na França ”.

Ele disse que uma das vantagens de usar o aprendizado profundo é que a rede neural não precisava ser informada sobre o que procurar.

"Não importava que não entendêssemos totalmente os precursores porque a rede neural aprendeu a encontrar essas conexões por si mesma, "Hassanzadeh disse." Aprendeu quais padrões eram críticos para condições meteorológicas extremas, e usou esses para encontrar o melhor analógico. "

Para demonstrar uma prova de conceito, a equipe usou dados de modelo retirados de simulações de computador realistas. A equipe havia relatado os primeiros resultados com uma rede neural convolucional quando Chattopadhyay, o principal autor do novo estudo, ouvi falar de redes neurais de cápsula, uma nova forma de aprendizado profundo que estreou com alarde no final de 2017, em parte porque foi ideia de Geoffrey Hinton, o pai fundador do aprendizado profundo baseado em redes neurais convolucionais.

Ao contrário das redes neurais convolucionais, redes neurais de cápsula podem reconhecer relações espaciais relativas, que são importantes na evolução dos padrões climáticos.

"As posições relativas dos padrões de pressão, os altos e baixos que você vê nos mapas meteorológicos, são o fator chave para determinar como o clima evolui, "Hassanzadeh disse.

Outra vantagem significativa das redes neurais de cápsula é que elas não requerem tantos dados de treinamento quanto as redes neurais convolucionais. Existem apenas cerca de 40 anos de dados meteorológicos de alta qualidade da era dos satélites, e a equipe de Hassanzadeh está trabalhando para treinar sua rede neural de cápsula em dados observacionais e comparar suas previsões com as de modelos NWP de última geração.

"Nosso objetivo imediato é estender nosso prazo de entrega previsto para mais de 10 dias, onde os modelos NWP têm pontos fracos, " ele disse.

Embora muito mais trabalho seja necessário antes que o sistema de Rice possa ser incorporado à previsão operacional, Hassanzadeh espera que isso possa melhorar as previsões para ondas de calor e outros climas extremos.

"Não estamos sugerindo que, no final do dia, isso vai substituir o NWP, "disse ele." Mas este pode ser um guia útil para a NWP. Computacionalmente, esta pode ser uma maneira super barata de fornecer alguma orientação, um aviso prévio, que permite que você concentre os recursos NWP especificamente onde o clima extremo é provável. "

Hassanzadeh disse que sua equipe também está interessada em descobrir quais padrões a rede neural de cápsula usa para fazer suas previsões.

"Queremos aproveitar as ideias da IA ​​explicável (inteligência artificial) para interpretar o que a rede neural está fazendo, ", disse ele." Isso pode nos ajudar a identificar os precursores de padrões climáticos extremos e melhorar nossa compreensão de sua física. "