A modelagem precisa de eventos extremos de precipitação continua sendo um grande desafio para os modelos climáticos. Esses modelos preveem como o clima da Terra pode mudar ao longo de décadas e até séculos. Para melhorá-los especialmente no que diz respeito a eventos extremos, os pesquisadores agora usam métodos de aprendizado de máquina aplicados à geração de imagens.
Os computadores já usam a inteligência artificial para melhorar a resolução de imagens difusas, para criar imagens que imitam o estilo de determinados pintores com base em fotografias ou para renderizar retratos realistas de pessoas que na verdade não existem. O método subjacente é baseado no que é referido como GANs (Generative Adversarial Networks).

Uma equipe liderada por Niklas Boers, professor de Modelagem do Sistema Terrestre na Universidade Técnica de Munique (TUM) e pesquisador do Instituto Potsdam para Pesquisa de Impacto Climático (PIK) está agora aplicando esses algoritmos de aprendizado de máquina à pesquisa climática. O grupo de pesquisa publicou recentemente suas descobertas em Nature Machine Intelligence .

Nem todos os processos podem ser considerados

"Os modelos climáticos diferem dos modelos usados ​​para fazer previsões meteorológicas, especialmente em termos de seu horizonte de tempo mais amplo. O horizonte de previsão para previsões meteorológicas é de vários dias, enquanto os modelos climáticos realizam simulações ao longo de décadas ou mesmo séculos", explica Philipp Hess, autor principal do estudo e pesquisa associada na cátedra TUM para Modelagem do Sistema Terrestre.

O tempo pode ser previsto com bastante exatidão para alguns dias; a previsão pode ser posteriormente verificada com base em observações reais. Quando se trata de clima, no entanto, o objetivo não é uma previsão baseada no tempo, mas, entre outras coisas, projeções de como o aumento das emissões de gases de efeito estufa afetará o clima da Terra a longo prazo.

No entanto, os modelos climáticos ainda não conseguem levar em conta todos os processos climáticos relevantes. Isso ocorre, por um lado, porque alguns processos ainda não foram suficientemente compreendidos e, por outro, porque simulações detalhadas levariam muito tempo e exigiriam muito poder de computação. "Como resultado, os modelos climáticos ainda não podem representar eventos de precipitação extrema da maneira que gostaríamos. Portanto, começamos a usar GANs para otimizar esses modelos em relação à produção de precipitação", diz Niklas Boers.

Otimização de modelos climáticos com dados meteorológicos

Grosso modo, uma GAN consiste em duas redes neurais. Uma rede tenta criar um exemplo a partir de um produto previamente definido, enquanto a outra tenta distinguir esse exemplo gerado artificialmente de exemplos reais. As duas redes competem, assim, uma com a outra, melhorando continuamente no processo.

Uma aplicação prática das GANs seria "traduzir" pinturas de paisagens em fotografias realistas. As duas redes neurais pegam imagens fotorrealistas geradas com base na pintura e as enviam para frente e para trás até que as imagens criadas não possam mais ser distinguidas das fotografias reais.

A equipe de Niklas Boers adotou uma abordagem semelhante:os pesquisadores usaram um modelo climático comparativamente simples para demonstrar o potencial do uso de aprendizado de máquina para melhorar esses modelos. Os algoritmos da equipe usam dados meteorológicos observados. Usando esses dados, a equipe treinou o GAN para alterar as simulações do modelo climático para que não pudessem mais ser distinguidas das observações meteorológicas reais.

“Dessa forma, o grau de detalhe e realismo pode ser aumentado sem a necessidade de cálculos de processo adicionais complicados”, diz Markus Drücke, modelador climático do PIK e coautor do estudo.

GANs podem reduzir a eletricidade consumida na modelagem climática

Mesmo modelos climáticos relativamente simples são complexos e são processados ​​usando supercomputadores que consomem grandes quantidades de energia. Quanto mais detalhes o modelo leva em conta, mais complicados se tornam os cálculos e maior a quantidade de eletricidade utilizada. Os cálculos envolvidos na aplicação de um GAN treinado a uma simulação climática são, no entanto, insignificantes em comparação com a quantidade de cálculo necessária para o próprio modelo climático.

“O uso de GANs para tornar os modelos climáticos mais detalhados e realistas é prático não apenas para melhorar e acelerar as simulações, mas também em termos de economia de eletricidade”, diz Philipp Hess. + Explorar mais

Novo estudo ajudará a aprimorar a precisão dos modelos de mudança climática e previsão do tempo