Quando você verifica a previsão do tempo pela manhã, os resultados que você vê são provavelmente determinados pelo modelo Weather Research and Forecasting (WRF), um modelo abrangente que simula a evolução de muitos aspectos do mundo físico ao nosso redor.

"Descreve tudo o que você vê fora de sua janela, "disse Jiali Wang, um cientista ambiental do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), "das nuvens, à radiação do sol, para a neve na vegetação - até mesmo a forma como os arranha-céus atrapalham o vento. "

A miríade de características e causas do tempo e do clima estão acopladas, comunicar-se uns com os outros. Os cientistas ainda não descreveram totalmente essas relações complexas com simples, equações unificadas. Em vez de, eles aproximam as equações usando um método chamado parametrização, no qual modelam as relações em uma escala maior do que a dos fenômenos reais.

Embora as parametrizações simplifiquem a física de uma forma que permite que os modelos produzam resultados relativamente precisos em um tempo razoável, eles ainda são computacionalmente caros. Cientistas ambientais e cientistas da computação de Argonne estão colaborando para usar redes neurais profundas, um tipo de aprendizado de máquina, para substituir as parametrizações de certos esquemas físicos no modelo WRF, reduzindo significativamente o tempo de simulação.

"Com modelos mais baratos, podemos realizar simulações de alta resolução para prever como as mudanças de curto e longo prazo nos padrões climáticos afetam a escala local, "disse Wang, "até mesmo em bairros ou infraestrutura crítica específica."

Em um estudo recente, os cientistas se concentraram na camada limite planetária (PBL), ou parte mais baixa da atmosfera. O PBL é a camada atmosférica que a atividade humana mais afeta, e se estende apenas algumas centenas de metros acima da superfície da Terra. A dinâmica nesta camada, como a velocidade do vento, perfis de temperatura e umidade, são essenciais para determinar muitos dos processos físicos no resto da atmosfera e na Terra.

O PBL é um componente crucial no modelo WRF, mas também é um dos menos dispendiosos do ponto de vista computacional. Isso o torna um excelente teste para estudar como componentes mais complicados podem ser aprimorados por redes neurais de aprendizado profundo da mesma maneira.

"Usamos 20 anos de dados gerados por computador do modelo WRF para treinar as redes neurais e dois anos de dados para avaliar se eles poderiam fornecer uma alternativa precisa para as parametrizações baseadas na física, "disse Prasanna Balaprakash, um cientista da computação e recebedor do prêmio DOE Early Career na divisão de Matemática e Ciência da Computação da Argonne e no Argonne Leadership Computing Facility (ALCF), um DOE Office of Science User Facility.

Balaprakash desenvolveu a rede neural e a treinou para aprender uma relação abstrata entre as entradas e saídas, alimentando-a com mais de 10, 000 pontos de dados (8 por dia) de dois locais, um no Kansas e um no Alasca. O resultado foi um algoritmo que os cientistas estão confiantes de que poderia substituir a parametrização PBL no modelo WRF.

Os cientistas demonstraram que uma rede neural profunda que considera parte da estrutura subjacente da relação entre as variáveis ​​de entrada e saída pode simular com sucesso as velocidades do vento, temperatura e vapor de água ao longo do tempo. Os resultados também mostram que uma rede neural treinada de um local pode prever o comportamento em locais próximos com correlações superiores a 90 por cento em comparação com os dados de teste.

"A colaboração entre os cientistas do clima e os cientistas da computação foi crucial para os resultados que alcançamos, "disse Rao Kotamarthi, cientista-chefe e chefe do departamento de ciência atmosférica e pesquisa climática na divisão de Ciência Ambiental de Argonne. "Incorporar nosso conhecimento de domínio torna o algoritmo muito mais preditivo."

Os algoritmos - chamados de redes neurais com reconhecimento de domínio - que consideram relacionamentos conhecidos não só podem prever dados ambientais com mais precisão, mas também requerem treinamento de significativamente menos dados do que algoritmos que não consideram a experiência do domínio.

Qualquer projeto de aprendizado de máquina requer uma grande quantidade de dados de alta qualidade, e não faltaram dados para este estudo. Recursos de supercomputação do ALCF e do National Energy Research Scientific Computing Center, um DOE Office of Science User Facility no Lawrence Berkeley National Laboratory, contribuiu para a produção de mais de 300 anos (700 terabytes) de dados que descrevem o passado, tempo e clima presentes e futuros na América do Norte.

"Este banco de dados é exclusivo para a ciência do clima em Argonne, "disse Wang, "e estamos usando isso para conduzir estudos adicionais em aprendizagem profunda e determinar como isso pode ser aplicado aos modelos climáticos."

O objetivo final dos cientistas é substituir todas as parametrizações caras no modelo WRF por redes neurais de aprendizado profundo para permitir uma simulação mais rápida e de alta resolução.

Atualmente, a equipe está trabalhando para emular a parametrização da radiação solar de ondas longas e curtas - duas partes do modelo WRF que, juntas, ocupam quase 40% do tempo de cálculo da física nas simulações.

Os resultados do estudo foram publicados em um artigo intitulado "Emulação de rede neural com reconhecimento de domínio rápido de uma parametrização da camada limite planetária em um modelo de previsão numérica do tempo" em 10 de outubro em Desenvolvimento de modelo geocientífico 12, 4261-4274, 2019.