Judah Cohen, diretor de previsão sazonal da AER (Pesquisa Atmosférica e Ambiental) e cientista visitante do Departamento de Engenharia Civil e Ambiental do MIT, e Ernest Fraenkel, professor de engenharia biológica no MIT, ganharam o primeiro lugar em três das quatro categorias de previsão de temperatura na competição Sub-Seasonal Climate Forecast Rodeo, patrocinado pela Administração Oceânica e Atmosférica Nacional e patrocinado pelo Bureau of Reclamation dos EUA.

Os pesquisadores do MIT, aos quais se juntou o Ph.D. da Stanford University os alunos Jessica Hwang e Paulo Orenstein e o pesquisador da Microsoft Lester Mackey, superar o modelo de previsão operacional de longo alcance usado pelo governo dos EUA.

Para ser elegível para a competição, as equipes foram obrigadas a enviar suas previsões climáticas a cada duas semanas entre 17 de abril, 2017 e 18 de abril, 2018. A meta era criar um modelo em que o oeste dos Estados Unidos pudesse contar com semanas de antecedência para ajudar a administrar os recursos hídricos e se preparar para incêndios florestais e secas.

A competição exigia que os modelos alcançassem uma habilidade média mais alta em todas as previsões competitivas, e dois benchmarks apresentados pelo governo dos Estados Unidos, que são versões imparciais do Sistema de Previsão do Clima dos EUA baseado na física. Os modelos também tiveram que alcançar persistência amortecida (indicando que os dados que você está contribuindo estão aumentando o efeito correlativo ao longo do tempo).

"Os modelos atuais de previsão do tempo só são capazes de fazer previsões cerca de sete a 10 dias antes da previsão. Ao usar técnicas de aprendizado de máquina como a que criamos para este concurso, [o novo modelo] é capaz de ajudar as empresas de energia e cidades a se prepararem para tempestades severas com muito mais antecedência, "diz Cohen.

A equipe dinâmica de especialistas combinou o reconhecimento de padrões climáticos históricos e o aprendizado de máquina para produzir previsões em tempo real de anomalias de temperatura e precipitação com duas a seis semanas de antecedência para o oeste dos Estados Unidos.

"Aproveitamos a disponibilidade atual de amplos registros meteorológicos e técnicas de computação de alto desempenho para combinar modelos baseados em física ou dinâmicos e abordagens de aprendizado de máquina estatístico, a fim de estender o horizonte de previsão hábil de dias para semanas, "diz Cohen.

A combinação de técnicas de aprendizado de máquina e reconhecimento de padrões climáticos históricos é muito poderosa porque pode ajudar o governo a maximizar os recursos hídricos e se preparar para desastres naturais ou condições climáticas extremas.

“Certamente há planos para continuar este projeto, já que falamos sobre estender o modelo a todos os Estados Unidos, demonstramos com este concurso que há potencial com esse modelo para ultrapassar o processo de previsão. Pode ajudar a fornecer mais precisão a custos mais baixos nas previsões subsazonais, "explica Cohen.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.