Todos os anos, a estação das monções no sul da Ásia traz fortes chuvas a mais de mil milhões de pessoas no subcontinente indiano entre Junho e Setembro. A chuva cai em oscilações:algumas semanas apresentam de 2,5 a 10 centímetros de água, enquanto outras semanas são quase totalmente secas. Prever quando estes períodos secos e húmidos ocorrerão é fundamental para o planeamento agrícola e urbano, permitindo aos agricultores saber quando colher as colheitas e ajudando as autoridades municipais a prepararem-se para as inundações. No entanto, embora as previsões meteorológicas sejam geralmente precisas dentro de um ou dois dias, é muito difícil prever com precisão o tempo daqui a uma semana ou mês.



Agora, foi demonstrado que uma nova previsão baseada em aprendizado de máquina prevê com mais precisão as chuvas de monções no sul da Ásia com 10 a 30 dias de antecedência, uma melhoria significativa em relação às atuais previsões de última geração que usam modelagem numérica em vez de inteligência artificial. para fazer previsões. Compreender o comportamento das monções também é importante porque este tipo de chuva é uma característica atmosférica importante no clima global.

A pesquisa foi liderada por Eviatar Bach, Foster e Coco Stanback Postdoctoral Scholar Research Associate em Ciência e Engenharia Ambiental, que trabalha nos laboratórios de Tapio Schneider, Theodore Y. Wu Professor de Ciência e Engenharia Ambiental e cientista pesquisador sênior do JPL; e Andrew Stuart, professor Bren de Ciências da Computação e Matemática.

Um artigo que descreve o novo método aparece no Proceedings of the National Academy of Sciences .

“Há muita preocupação sobre como as mudanças climáticas afetarão as monções e outros eventos climáticos, como furacões, ondas de calor e assim por diante”, diz Bach. “Melhorar as previsões em prazos mais curtos é uma parte importante da resposta às alterações climáticas porque precisamos de ser capazes de melhorar a preparação para estes eventos.”

Prever o tempo é difícil porque a atmosfera contém inúmeras instabilidades - por exemplo, a atmosfera é continuamente aquecida a partir da terra abaixo, levando a ar frio e mais denso acima do ar mais quente e menos denso - bem como instabilidade causada pelo aquecimento desigual e pela rotação da Terra. Estas instabilidades levam a uma situação caótica em que os erros e incertezas na modelação do comportamento da atmosfera se multiplicam rapidamente, tornando quase impossível prever o futuro.

Os modelos atuais de última geração usam modelagem numérica, que são simulações computacionais da atmosfera baseadas nas equações físicas que descrevem o movimento dos fluidos. Por causa do caos, o tempo máximo previsível para o clima em grande escala é geralmente em torno de 10 dias. Prever o comportamento médio da atmosfera a longo prazo – ou seja, o clima – também é possível, mas prever o tempo no intervalo de tempo entre duas semanas a vários meses tem sido um desafio com os modelos numéricos.

Com as monções do Sul da Ásia, a chuva tende a cair em ciclos de rajadas intensas seguidas de períodos de seca. Esses ciclos são conhecidos como oscilações intrassazonais das monções (MISOs). Na nova pesquisa, Bach e seus colaboradores adicionaram um componente de aprendizado de máquina aos atuais modelos numéricos de última geração. Isso permitiu que os pesquisadores coletassem dados sobre os MISOs e fizessem melhores previsões das chuvas no indescritível prazo de duas a quatro semanas. O modelo resultante foi capaz de melhorar as correlações das previsões com as observações em até 70%.

“Nos últimos anos, tem havido um interesse crescente no uso de aprendizado de máquina para previsão do tempo”, diz Bach. “Nosso trabalho mostra que uma combinação de aprendizado de máquina e modelagem numérica mais tradicional pode produzir resultados precisos”.

O artigo é intitulado "Melhor previsão subsazonal das chuvas de monções no sul da Ásia usando previsões baseadas em dados de modos oscilatórios". Além de Bach, os coautores são V. Krishnamurthy e Jagadish Shukla, da George Mason University; Safa Mote, da Universidade Estadual de Portland; A. Surjalal Sharma e Eugenia Kalnay, da Universidade de Maryland; e Michael Ghil da École Normale Supérieure em Paris, UCLA e Imperial College London.

Mais informações: Eviatar Bach et al, Melhor previsão subsazonal das chuvas de monções do sul da Ásia usando previsões baseadas em dados de modos oscilatórios, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2312573121
Informações do diário: Anais da Academia Nacional de Ciências

Fornecido pelo Instituto de Tecnologia da Califórnia