p Um grande desafio nos modelos atuais de previsão do clima é como representar com precisão as nuvens e seu aquecimento e umedecimento atmosférico. Esse desafio está por trás da ampla disseminação da previsão do clima. No entanto, previsões precisas do aquecimento global em resposta ao aumento das concentrações de gases de efeito estufa são essenciais para os formuladores de políticas (por exemplo, o acordo climático de Paris). p Em um artigo publicado recentemente online em Cartas de pesquisa geofísica , pesquisadores liderados por Pierre Gentine, professor associado de engenharia ambiental e terrestre na Columbia Engineering, demonstrar que as técnicas de aprendizado de máquina podem ser usadas para resolver esse problema e representar melhor as nuvens em modelos climáticos de resolução grosseira (~ 100 km), com o potencial de estreitar o intervalo de previsão.

p "Isso pode ser uma verdadeira virada de jogo para a previsão do clima, "diz Gentine, autor principal do artigo, e membro do Earth Institute e do Data Science Institute. "Temos grandes incertezas em nossa previsão da resposta do clima da Terra ao aumento das concentrações de gases do efeito estufa. O principal motivo é a representação das nuvens e como elas respondem a uma mudança nesses gases. Nosso estudo mostra que as técnicas de aprendizado de máquina nos ajudam representar melhor as nuvens e, portanto, prever melhor a resposta do clima global e regional às concentrações crescentes de gases de efeito estufa. "

p Os pesquisadores usaram uma configuração idealizada (um aquaplanet, ou um planeta com continentes) como uma prova de conceito para sua nova abordagem de parametrização convectiva baseada em aprendizado de máquina. Eles treinaram uma rede neural profunda para aprender com uma simulação que representa explicitamente as nuvens. A representação de aprendizagem de máquina de nuvens, que eles chamaram de Cloud Brain (CBRAIN), poderia prever habilmente o aquecimento da nuvem, umedecimento, e características radiativas que são essenciais para a simulação climática.

p Notas gentinas, "Nossa abordagem pode abrir uma nova possibilidade para um futuro de representação de modelos em modelos climáticos, que são orientados por dados e são construídos de cima para baixo, ' isso é, aprendendo as características salientes dos processos que estamos tentando representar. "

p Os pesquisadores também observam que, porque a sensibilidade da temperatura global ao CO2 está fortemente ligada à representação da nuvem, CBRAIN também pode melhorar as estimativas de temperatura futura. Eles testaram isso em modelos climáticos totalmente acoplados e demonstraram resultados muito promissores, mostrando que isso poderia ser usado para prever a resposta aos gases de efeito estufa.