p Embora os Grandes Lagos sejam chamados de lagos, por causa de seu tamanho, eles são realmente mares interiores. Eles afetam os padrões climáticos regionais, fornecer água potável a milhões de pessoas e impulsionar as economias de vários estados. p Prevendo os níveis de água, temperaturas e correntes dos lagos são muito importantes por causa das inúmeras maneiras como as condições do lago afetam o comércio, recreação e bem-estar da comunidade. Essas previsões incluem o Sistema de Previsão Operacional dos Grandes Lagos (GLOFS), um sistema de previsão baseado em modelo automatizado operado pela Administração Oceânica e Atmosférica Nacional (NOAA).

p "As informações do sistema permitem que os tomadores de decisão tomem decisões informadas e os produtos de previsão têm sido usados ​​por uma ampla variedade de usuários regularmente, "disse Philip Chu, cientista físico supervisor da modelagem física e ecológica integrada e do ramo de previsão do Laboratório de Pesquisa Ambiental dos Grandes Lagos (GLERL) da NOAA.

p Construindo um Sistema Melhor de Previsão dos Grandes Lagos

p "Os níveis de água são usados ​​pelas autoridades de energia; as condições das ondas e das correntes são usadas pela Guarda Costeira dos EUA para missões de busca e resgate e os perfis de temperatura têm sido usados ​​por barcos de recreio e pescadores, ", disse ele." A informação também foi usada para prever a proliferação de algas nocivas, bem como condições de hipóxia (baixo oxigênio dissolvido) nos Grandes Lagos. "

p Enquanto a NOAA opera sua própria equipe de modelagem para manter o sistema, a agência também trabalha com pesquisadores universitários para melhorar continuamente o GLOFS. Na Michigan Technological University, Pengfei Xue, professor associado de engenharia civil e ambiental e diretor do Numerical Geophysical Fluid Dynamics Laboratory do Great Lakes Research Center, está ajudando a NOAA adicionando um componente de assimilação de dados.

p Xue observou que um sistema de previsão operacional típico deve incluir três componentes:modelagem, uma rede de observação e análise de dados.

p "A região dos Grandes Lagos tem dados observacionais relativamente densos e de longo prazo, mas como usamos os dados para melhorar a previsão? "Xue posou." Esses dados foram usados ​​para inicialização e verificação do modelo, mas pode haver uma ligação muito mais forte entre as observações em campo e a modelagem numérica. A combinação de dados observacionais no modelo pode melhorar a previsão de curto prazo. Esta técnica, chamado de assimilação de dados, é uma das abordagens mais eficazes para combinar estatisticamente os dados observacionais e a dinâmica do modelo para fornecer a melhor estimativa do estado do sistema dos Grandes Lagos. "

p O que é assimilação de dados?

p Para explicar a assimilação de dados, Xue deu o exemplo de medir a temperatura de um lago. Um modelo de computador pode prever que a temperatura em um local no lago é de 20 graus Celsius (68 graus Fahrenheit). Mas uma medição física no local mostra que a temperatura é de 70 graus Fahrenheit (21,1 graus Celsius).

p “Todos os modelos contêm algumas incertezas e a observação também tem ruído, que pode ser grande ou pequeno no trabalho de campo, dependendo de casos diferentes, "Xue disse." Em que você deve acreditar? Sua melhor aposta é algo intermediário. Quando quantificamos o modelo e as incertezas da observação avaliando seus desempenhos históricos, podemos combinar quantitativamente os dados observacionais e os resultados do modelo numérico com pesos diferentes e dar uma estimativa mais precisa. "

p A modelagem de computador é muito mais complicada do que este exemplo, Xue observou. Uma das principais vantagens de um modelo, especialmente em um ambiente grande e complexo como os Grandes Lagos, é que ele pode produzir campos contínuos no espaço 3-D, prever - a qualquer hora e em qualquer lugar - temperatura, níveis de água, e correntes. Por outro lado, observações in situ fornecem "informações básicas, "mas muitas vezes são limitados no tempo e no espaço.

p "Quantificar o modelo e as incertezas da observação está no cerne das técnicas de assimilação de dados, "Xue explicou." A beleza da assimilação de dados é usar as informações dos desajustados entre os resultados do modelo e as observações, que são conhecidos apenas em locais de observação limitados, para corrigir o viés do modelo em um espaço 3-D além dos locais de observação. Portanto, melhora a precisão do modelo para todos os campos de simulação. "

p Mais que um modelo

p Outro limite das observações em campo é o custo total de realizá-las. Os dados observacionais são inerentemente mais precisos do que um modelo sozinho, e é necessário verificar o resultado de um modelo. Ao alimentar dados observacionais em um modelo, em seguida, usando o modelo para prever melhores locais para a futura coleta de dados in situ, O trabalho de Xue ajuda a melhorar a modelagem GLOFS, e ajuda os cientistas a escolher locais de pesquisa de forma eficaz.

p "Os Grandes Lagos têm uma vasta área de superfície e grande profundidade. Normalmente, onde as pessoas escolhem amostrar é baseado na experiência empírica de especialistas e seus interesses de pesquisa, "Xue disse." Observações in situ, particularmente medições de subsuperfície, permanecem limitados devido aos altos custos de construção e manutenção de redes de observação. Usar a assimilação de dados para orientar o projeto de localização e frequência de amostragem de dados e otimizar uma rede de observação é um dos principais tópicos de pesquisa de um sistema integrado de observação e previsão. "

p Os resultados preliminares do Xue mostram que a assimilação de dados é capaz de reduzir os esforços de amostragem e aumentar a precisão da previsão otimizando os locais de amostragem.

p "A contribuição do Professor Xue se alinha perfeitamente com o objetivo de curto prazo e missão de longo prazo da NOAA e do GLERL na construção de um sistema de modelagem ambiental integrado e uma nação preparada para o clima, oceanos e costas saudáveis, "Chu disse." Sua contribuição de pesquisa e colaboração com os cientistas da NOAA avançam nossa compreensão geral do complicado sistema dinâmico nos Grandes Lagos, bem como aceleram o ritmo de desenvolvimento da NOAA, melhorar e fazer a transição do Sistema de Previsão Operacional dos Grandes Lagos de próxima geração para as operações. "

p O trabalho de Xue utiliza o Superior, uma infraestrutura de computação de alto desempenho na Michigan Tech, para construir modelos de alta fidelidade. Os resultados do modelo estão sendo usados ​​para construir um longo prazo, banco de dados de temperatura assimilativa de dados para o Lago Erie para uso por gerentes de recursos e pesquisadores na comunidade dos Grandes Lagos. A simulação de Lake Erie é uma prova de conceito antes de o GLOFS ser totalmente remodelado usando a assimilação de dados. O projeto de Xue também aplicará aprendizado de máquina para melhorar ainda mais o desempenho do modelo e amostragem adaptativa in situ, com o objetivo de estender o método a todos os cinco Grandes Lagos.

p "Queremos demonstrar o potencial dessa abordagem. Lago Erie tem enfrentado problemas ambientais substanciais há décadas e foi estudado de forma mais abrangente, e as pessoas percebem melhor as deficiências de modelagem, "Xue disse." A estrutura térmica e a circulação do Lago Erie têm um grande impacto sobre a proliferação de algas nocivas e eventos de hipóxia. Nosso plano é expandir gradualmente e construir um sistema de previsão totalmente operacional com recursos de assimilação de dados para melhorar a precisão da previsão de curto prazo e refinar o trabalho de observação. "