Quando um furacão se aproxima, fornecer algumas horas extras de aviso pode ser a diferença entre a vida e a morte. Agora, Pesquisadores da Penn State relatam que a aplicação de uma técnica de aprendizado de máquina a um grupo de possíveis caminhos de tempestade poderia ajudar os meteorologistas a fornecer previsões de médio prazo mais precisas e emitir avisos oportunos para as comunidades no caminho dessas tempestades potencialmente mortais.

Em um estudo, os pesquisadores usaram o aprendizado de máquina para remover certos grupos de previsões de furacões de conjuntos - conjuntos de previsões de modelos meteorológicos baseados em uma gama de possibilidades meteorológicas - para diminuir os erros e melhorar as previsões de quatro a seis dias antes. Os cientistas usam esses modelos de conjunto porque o clima é altamente complexo e tentar prever até mesmo um único evento cria enormes quantidades de dados, disse Jenni Evans, professor de meteorologia e ciências atmosféricas e diretor do Institute for Computational and Data Sciences.

"Os modelos são executados de forma ligeiramente diferente, muitos, muitas vezes para criar um conjunto de possíveis estados futuros da atmosfera. É esse conjunto que é dado aos meteorologistas, "disse Evans." Estamos observando 120 previsões diferentes a cada vez ao redor do globo, em seguida, focando em um tufão ou furacão individual e perguntando, 'O que essa tempestade vai fazer no futuro?' Agora, se você der essas previsões a um analista apenas algumas horas antes de sua previsão entrar no ar, é uma grande quantidade de informações a serem processadas. Então, em vez de, usamos estatísticas avançadas e aprendizado de máquina para tentar dividir essas 120 previsões em quatro a seis clusters, onde cada cluster representa uma previsão distinta da evolução da tempestade de todos os outros clusters. "

Os observadores do tempo podem reconhecer melhor esses conjuntos como a coleção de linhas irregulares que mostram possíveis caminhos de tempestade durante a temporada de furacões.

Embora esses modelos sejam bons e estejam cada vez melhores, eles estão longe de ser perfeitos, Evans disse. Cada previsão pode ser responsável por uma ligeira variação nas muitas variáveis ​​que compõem o clima, como a energia do oceano e das nuvens, ela adicionou. Também, eles se concentram principalmente nos tipos de furacões - como o furacão Sandy em 2012 e o furacão Isaias em 2020 - que sobem a costa e saem dos trópicos.

"Essas tempestades são geralmente mais difíceis de prever porque seu ambiente muda muito ao longo de sua vida, "Evans disse." Se você olhar para os modelos atuais, eles são imperfeitos porque você não pode ver cada molécula de água que você precisa e cada pedaço de energia do sol, e também sabemos que a forma como representamos algumas dessas informações é imperfeita. Mas, quando você está enfrentando um furacão, é importante saber que tipo de tempestade você terá - e quando isso acontecerá. "

Como um arborista que corta galhos fracos e danificados para que o resto da árvore possa florescer, os pesquisadores dividiram o conjunto em grupos de previsões, conhecidos como clusters, e "podado" aqueles que deveriam ter um desempenho ruim, de acordo com Alex Kowaleski, um pós-doutorado em meteorologia e ciências atmosféricas. Os pesquisadores descobriram que aglomerados muito pequenos tendem a ter um desempenho muito pior do que outros.

"Há uma forte relação entre o tamanho do cluster e o erro do cluster e é mais proeminente para os menores clusters, "disse Kowaleski." Os clusters menores tendem a ter um desempenho muito pior. Isso não se deve simplesmente ao fato de ser um conjunto menor porque, todas as coisas consideradas, se você apenas aumentar o tamanho do conjunto apenas adicionando mais membros, você obterá melhor desempenho até certo nível. Mas esses pequenos grupos eram tão pobres que estavam pior do que um membro de conjunto selecionado aleatoriamente. "

Entre outros resultados, Os pesquisadores, que relatam suas descobertas em uma edição recente da Weather and Forecasting, foram capazes de reduzir erros que poderiam afetar as previsões, removendo esses pequenos clusters.

De acordo com Kowaleski, embora a maioria das pessoas saiba que os furacões são perigosos, eles freqüentemente não consideram que os perigos das tempestades variam amplamente de um lugar para outro devido a fatores como marés e topografia local. Contudo, o agrupamento pode ajudar os meteorologistas a prever melhor a variedade de cenários em diferentes locais ao longo do caminho da tempestade e obter avisos mais precisos para as pessoas que podem não estar cientes da mudança da situação do tempo.

"Um furacão apresenta uma enorme área de riscos, "disse Kowaleski." Se você é uma parte interessada ou uma pessoa que vive no litoral, não importa onde está o centro geográfico da tempestade e qual é a velocidade máxima do vento. No final das contas, você se preocupa com as condições severas que você e sua comunidade irão enfrentar. "

O estudo inclui mais de 120 eventos de previsão retirados do Atlântico Norte, leste do Pacífico Norte, previsões do Pacífico central, tempestades do oeste do Pacífico Norte, Pacífico Sul e Oceanos Índico Meridional. Os pesquisadores obtiveram previsões de rastreamento para ciclones tropicais que ocorreram durante 2017 a 2018 do THORPEX Interactive Grand Global Ensemble, ou TIGGE. Os dados TIGGE empregados neste estudo são fornecidos pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo, os Centros Nacionais de Predição Ambiental (NCEP) do Sistema Global de Previsão de Conjunto, o Sistema Global de Predição do Conjunto do Met Office do Reino Unido e o Sistema Global de Predição do Conjunto Ambiental do Canadá.

Os cálculos para este estudo foram realizados no Instituto de Ciências Computacionais e de Dados (ICDS) Advanced CyberInfrastructure (ICDS-ACI).