• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Natureza
    A metodologia evolutiva produz previsões meteorológicas de longo prazo mais precisas

    Crédito:Universidade de Wisconsin - Milwaukee

    Paul Roebber sentou-se na praia de New Jersey, olhou para o oceano e deixou sua mente vagar. "Comecei a pensar em tubarões caçando presas, "diz o meteorologista, "e sobre a previsão de sistemas dinâmicos na natureza."

    Isso o lembrou de como os computadores permitem que os cientistas simulem sistemas complexos, como as interações predador-presa. Previsão do tempo, também, dependem de modelos estatísticos para encontrar e classificar padrões em grandes quantidades de dados. Ainda, o tempo continua teimosamente difícil de prever.

    Roebber tem um histórico de torná-lo menos teimoso. Ele é um líder em trazer novas abordagens para a meteorologia, e sua pesquisa mudou a forma como especialistas em todo o mundo prevêem o clima. Muitas vezes, suas inovações vêm de adaptar algo que não tem nada a ver com meteorologia. E no verão de 2016, aquele devaneio de Jersey Shore sobre tubarões estava desencadeando outro.

    Os meteorologistas usam modelos de "conjunto", que calcula a média de muitos modelos meteorológicos diferentes, para criar previsões mais precisas. Roebber se perguntou se um equivalente matemático da teoria da evolução de Charles Darwin poderia tirar mais proveito da previsão por conjunto, e fazem isso sem exigir dados adicionais, que pode ser caro para coletar.

    Ele desenvolveu um método em que um programa de computador classifica 10, 000 outros, melhorando-se com estratégias que imitam a natureza, como hereditariedade, mutação e seleção natural. "No início, era apenas uma ideia incrível, "diz Roebber, um ilustre professor de ciências atmosféricas da UWM, que o considerou desde 2010. "Agora, no ano passado, Eu ganhei $ 500, 000 de financiamento por trás disso. "

    Este último método de previsão supera os modelos usados ​​pelo Serviço Meteorológico Nacional. E quando comparado com a modelagem de previsão do tempo padrão, A metodologia evolutiva de Roebber tem um desempenho particularmente bom em previsões de longo prazo e eventos extremos, quando uma previsão precisa é mais necessária.

    A importância da meteorologia vai muito além de aconselhar as pessoas a embalar um guarda-chuva para o trabalho ou mandar as crianças para a escola com roupas mais quentes. Cerca de 40 por cento da economia dos EUA depende de alguma forma da previsão do tempo. Mesmo uma pequena melhoria na precisão de uma previsão poderia economizar milhões de dólares anualmente para indústrias como remetentes, utilitários e agronegócio.

    Não é a primeira vez que Roebber se envolve em um trabalho inovador. Em 2007, ele lançou Innovative Weather, que fornece serviços personalizados relacionados ao clima para clientes como a We Energies, os Milwaukee Brewers e a balsa Lake Express. Agora em seu 22º ano na UWM, ele credita a curiosidade natural e uma personalidade persistente com o enquadramento não apenas de sua carreira proeminente, mas também conduzindo-o em uma batalha pessoal contra o câncer.

    Caos

    Os modelos de previsão do tempo estão longe de ser perfeitos porque dados completos e exatos são impossíveis de obter. “Quando medimos o estado atual da atmosfera, não estamos medindo cada ponto no espaço tridimensional, "Roebber diz." Estamos interpolando o que acontece no meio. "

    Acontece que, o estado de alta incerteza da natureza é algo que você não pode simplesmente ignorar. Seu papel foi identificado pela primeira vez na década de 1960 por Edward Lorenz, meteorologista e matemático do MIT.

    Lorenz descobriu que quando ele inadvertidamente encurtou um número com seis casas decimais para três, o pequeno erro resultou em mudanças inesperadas nas previsões.

    Roebber explica esse conceito em termos de perder um ônibus por pouco. Mesmo que você perca por apenas 60 segundos, você ainda deve esperar 15 minutos inteiros antes que o ônibus chegue novamente. Uma vez que o atraso de 60 segundos se torna 15 minutos, talvez você perca uma reunião importante. Enquanto ausente, você está atribuído a uma tarefa que requer semanas do seu tempo. Pequenos erros se propagam em grandes consequências.

    A descoberta de Lorenz, chamado de "Efeito Borboleta, "tornou-se o princípio fundamental da teoria do caos, que primeiro reconheceu o papel esquecido da aleatoriedade aparente na previsão da natureza. Para meteorologistas, significava que era impossível obter uma previsão do tempo perfeita, especialmente no longo prazo.

    Interessantemente, como estudante de pós-graduação no MIT no início dos anos 1980, Roebber fez um curso de teoria do caos com Lorenz, que provou ser sua aula mais difícil. Ele ressaltou a importância do tempo gasto na busca de melhores previsões, mesmo que uma previsão perfeita seja inatingível. Em meteorologia, ele diz, um ganho incremental na precisão - talvez apenas 1 grau Fahrenheit em uma previsão de longo prazo - tem um impacto econômico cumulativo.

    Neve

    Na Faculdade, Roebber se deleitou com os aspectos interdisciplinares da meteorologia. "Para mim, " ele diz, "a criatividade vem de estar aberto a interesses amplos."

    Por exemplo, depois de ler sobre a arquitetura da inteligência artificial, ele foi inspirado a melhorar a forma como os meteorologistas prevêem a quantidade de neve. Essas previsões foram particularmente desafiadoras porque os meteorologistas não tinham como saber a proporção de neve - a quantidade de água contida em cada centímetro de neve.

    Crédito:Universidade de Wisconsin - Milwaukee

    Essa proporção variou amplamente, então você nunca sabia se ia ficar pesado, neve molhada ou a luz, tipo fofo. O melhor que os meteorologistas podiam fazer era prever um grande intervalo de polegadas, o que poderia significar a diferença entre um incômodo razoavelmente menor e um grande evento de arado.

    Roebber construiu simulações que eram organizadas como redes de neurônios no cérebro:os programas de computador formavam um sistema de unidades de processamento interconectadas que podiam ser ativadas ou desativadas. Esta ferramenta de redes neurais artificiais provou ser especialmente proficiente em prever cenários com grandes lacunas de dados e resmas de variáveis. E avançou significativamente os esforços de previsão de queda de neve.

    "Paul cruza as fronteiras disciplinares como os cidadãos da UE cruzam as fronteiras nacionais, "diz Lance Bosart, um distinto professor de ciências atmosféricas na State University of New York em Albany.

    Bosart é tão respeitado entre seus pares que a reunião anual da Sociedade Americana de Meteorologia de 2017 realizou um simpósio em seu nome. Ele também supervisionou o trabalho de pós-doutorado de Roebber. "Ele estava na vanguarda absoluta, "Bosart diz, "de usar redes neurais para melhorar a previsão do tempo há 10 anos."

    O impulso criativo de Roebber não é surpreendente quando você considera sua educação em uma família de intelectuais. O filho de um professor de química da Northeastern University em Boston, Roebber se lembra do programa "Nova" da PBS como um grampo da TV na casa. Quando ele terminou o colegial, ele sabia que queria estudar ciências físicas na faculdade.

    Durante seus anos de graduação no MIT, ele estudou ciclones explosivos, como o do filme "The Perfect Storm". A tese resultante continua a ser a publicação mais citada de Roebber por outros pesquisadores da ciência atmosférica.

    Em evolução

    Com sua pesquisa mais recente, Roebber está tirando outro tijolo da parede entre os previsores e a precisão:as falhas inerentes à modelagem por conjunto.

    Na falta de adição de novos dados, os modelos usados ​​em um grupo tendem a concordar uns com os outros, e não com o clima real. Em outras palavras, as informações em cada modelo costumam ser muito semelhantes, e na ausência de mais diversidade, é difícil distinguir variáveis ​​relevantes de irrelevantes - o que o estatístico Nate Silver chama de "sinal" e "ruído". A solução de Roebber aplica os princípios da evolução darwiniana.

    Roebber desenvolveu três ferramentas que diferenciam a Innovative Weather. Um detecta quedas de raios. Outro identifica tempestades que podem causar quedas de energia. Um terceiro fornece previsões precisas de queda de neve em polegadas. Crédito:Universidade de Wisconsin - Milwaukee

    Na natureza, a diversidade de espécies impede a possibilidade de uma ameaça destruir uma população inteira de uma vez. Darwin observou isso em uma população de tentilhões das Ilhas Galápagos em 1835. Os pássaros se dividiram em grupos menores, cada um deles residindo em locais diferentes ao redor das ilhas. Hora extra, eles se adaptaram ao seu habitat específico, tornando cada grupo distinto dos outros.

    Roebber decidiu usar a evolução para criar mais variação nos modelos de previsão. Ele começou subdividindo as variáveis ​​em cenários condicionais:O valor de uma variável seria definido de uma maneira sob uma condição, mas ser definido de forma diferente sob outra condição.

    O programa de computador então seleciona as variáveis ​​que melhor cumprem o objetivo declarado e as recombina, e o faz em "nichos meteorológicos, "assim como os tentilhões fizeram em seus nichos de Galápagos. Os modelos descendentes têm as características de maior sucesso.

    "Nós nos aprofundamos nos dados configurando as variáveis ​​de uma maneira diferente, "Roebber diz." Uma diferença entre isso e a biologia é, Eu queria forçar a próxima geração a ser melhor em algum sentido absoluto, não apenas sobreviver. "

    Ele já está usando a técnica para prever temperaturas mínimas e máximas para sete dias fora. E o programa de computador evolucionário se sai tão bem ou melhor do que as previsões dos especialistas humanos mais habilidosos.

    Em um artigo de 2010, Roebber calculou US $ 2 milhões em economia anual potencial para as concessionárias de energia elétrica de Ohio se elas substituíssem esse método evolucionário para as previsões do conjunto.

    Inovação

    Estar preparado e economizar dinheiro foi a ideia por trás do lançamento do Innovative Weather em 2007. O grupo de previsão, operado por Roebber, o meteorologista Mike Westendorf e uma equipe de estudantes estagiários qualificados, oferece um serviço 24 horas por dia, 7 dias por semana, de previsões personalizadas para mais de uma dezena de clientes. Isso ajuda os cervejeiros a decidir quando fechar o telhado do Miller Park, Lake Express prepara-se para viagens difíceis e We Energies lidar com as piores tempestades de inverno de Wisconsin.

    “Quando você faz previsões para clientes com necessidades específicas, é mais intenso do que a previsão geral, "diz Westendorf, Diretor da Innovative Weather. "Existem milhares de dólares em jogo para esses clientes que precisam garantir que seus recursos estejam disponíveis no momento em que são necessários."

    Paul Roebber é consultor da estudante Lily Chapman na Innovative Weather. Crédito:UWM Photo / Elora Hennessey

    A economia vem de evitar danos à infraestrutura, mas também de gerir o pessoal de forma mais eficiente. Muito poucos em serviço durante o mau tempo, e os clientes ficam mais tempo sem energia. Excesso de trabalho resulta em custos de mão de obra desperdiçados, especialmente nos finais de semana e feriados.

    "Com clima inovador, agora recebemos uma série de cenários climáticos potenciais, mas também ter uma ideia realista da gravidade potencial de um evento, "diz Duane Miller, gerente de distribuição de gás e energia elétrica da We Energies, que liga para o serviço 15 a 20 vezes por ano.

    Roebber desenvolveu várias ferramentas de previsão que diferenciam a Innovative Weather. Foi o primeiro a adotar seu método de previsão da neve em centímetros. Consultando a We Energies, ele também criou um detector de relâmpagos e um método para identificar tempestades que podem causar queda de energia.

    O lançamento bem-sucedido da Innovative Weather foi um dos destaques da carreira de Roebber. Mas também marcou o início de sua saga pessoal mais difícil. Porque logo depois, ele foi diagnosticado com câncer de cólon em estágio 4, e já havia se espalhado para seu fígado.

    Sempre o matemático, ele se lembra de uma estatística assustadora:"Minha taxa de sobrevivência de cinco anos foi de 7 por cento, Me disseram."

    Entre 2007 e 2012, ele passou por uma dúzia de cirurgias e sobreviveu a três complicações quase fatais de êmbolos pulmonares. Ao longo de várias rodadas de quimioterapia, ele continuou ministrando seus cursos para evitar impor aos colegas. E a experiência mudou a forma como ele vê suas realizações profissionais.

    "Minha pesquisa sempre foi importante para mim, "Roebber diz." Mas quando eu estava doente, Pensei no impacto que tive em meus alunos. Para mim, essa é a contribuição duradoura que dou. "

    O sucesso do aluno e a pesquisa se entrelaçam no mundo de Roebber. Uma vez, depois de discordar da lista de características de outra pessoa que são mais preditivas do sucesso do aluno de pós-graduação, Roebber modelou matematicamente a questão e encontrou um conjunto de indicadores mais inclusivo.

    Na verdade, um objetivo principal na criação de Innovative Weather era oferecer aos alunos experiências de estágio remunerado em um campo onde poucos estão disponíveis. Ele permite que alunos de graduação e pós-graduação tenham a chance de se envolver em pesquisa aplicada enquanto trabalham com empresas.

    Em meados de 2012, Roebber foi declarado livre do câncer. Agora, quase cinco anos depois, ele não resistiu a refazer a matemática de sobrevivência. Ele coloca a probabilidade condicional de viver pelos próximos cinco anos em 91%. Para o público em geral, é 93.


    © Ciência https://pt.scienceaq.com