• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Natureza
    Previsões meteorológicas extremas:o algoritmo aproxima as simulações climáticas existentes da realidade futura
    Descrição do método que aprende um mapa entre o atrator das equações grosseiramente resolvidas e o atrator da trajetória de referência. Esquerda:a curva tracejada vermelha representa a trajetória de referência. A curva preta é uma trajetória aproximada grosseiramente resolvida em direção à trajetória de referência. A curva verde é a trajetória de corrida livre grosseiramente resolvida que não é usada para treinamento (mostrada para referência). Direita:o atrator do alvo e a trajetória do alvo (vermelho), igual à curva tracejada mostrada no gráfico à esquerda. Crédito:Jornal de Avanços na Modelagem de Sistemas Terrestres (2024). DOI:10.1029/2023MS004122

    Para avaliar o risco de condições meteorológicas extremas para uma comunidade, os decisores políticos baseiam-se primeiro em modelos climáticos globais que podem ser executados décadas, e até séculos, no futuro, mas apenas com uma resolução grosseira. Estes modelos podem ser utilizados para avaliar, por exemplo, as condições climáticas futuras para o nordeste dos EUA, mas não especificamente para Boston.



    Para estimar o risco futuro de condições meteorológicas extremas em Boston, como inundações, os decisores políticos podem combinar as previsões de grande escala de um modelo grosseiro com um modelo de resolução mais precisa, ajustado para estimar a frequência com que Boston poderá sofrer inundações prejudiciais à medida que o clima aquece. Mas esta análise de risco é tão precisa quanto as previsões desse primeiro modelo climático mais grosseiro.

    "Se você errar em ambientes de grande escala, perderá tudo em termos de como serão os eventos extremos em escalas menores, como em cidades individuais", diz Themistoklis Sapsis, professor William I. Koch e diretor do Centro de Engenharia Oceânica do Departamento de Engenharia Mecânica do MIT.

    Sapsis e seus colegas desenvolveram agora um método para “corrigir” as previsões de modelos climáticos grosseiros. Ao combinar o aprendizado de máquina com a teoria de sistemas dinâmicos, a abordagem da equipe “empurra” as simulações de um modelo climático para padrões mais realistas em grandes escalas.

    Quando combinada com modelos de menor escala para prever eventos climáticos específicos, como ciclones tropicais ou inundações, a abordagem da equipe produziu previsões mais precisas sobre a frequência com que locais específicos sofrerão esses eventos nas próximas décadas, em comparação com previsões feitas sem o esquema de correção.
    Esta animação mostra a evolução das tempestades no hemisfério norte, como resultado de um modelo de tempestade de alta resolução, combinado com o modelo climático global corrigido da equipe do MIT. A simulação melhora a modelagem de valores extremos de vento, temperatura e umidade, que normalmente apresentam erros significativos em modelos de escala grosseira. Crédito:Cortesia de Ruby Leung e Shixuan Zhang, PNNL

    Sapsis diz que o novo esquema de correção tem forma geral e pode ser aplicado a qualquer modelo climático global. Uma vez corrigidos, os modelos podem ajudar a determinar onde e com que frequência ocorrerão condições meteorológicas extremas à medida que as temperaturas globais aumentarem nos próximos anos.

    “As alterações climáticas terão efeitos em todos os aspectos da vida humana e em todos os tipos de vida no planeta, desde a biodiversidade à segurança alimentar e à economia”, afirma Sapsis. "Se tivermos a capacidade de saber com precisão como as condições meteorológicas extremas irão mudar, especialmente em locais específicos, isso pode fazer muita diferença em termos de preparação e de fazer a engenharia certa para encontrar soluções. Este é o método que pode abrir o maneira de fazer isso."

    Os resultados da equipe aparecem hoje no Journal of Advances in Modeling Earth Systems .

    Por cima do capô


    Os atuais modelos climáticos em grande escala simulam características climáticas, como temperatura média, umidade e precipitação em todo o mundo, grade por grade. A execução de simulações desses modelos exige um enorme poder de computação e, para simular como as características climáticas irão interagir e evoluir ao longo de períodos de décadas ou mais, os modelos calculam a média das características a cada 100 quilômetros ou mais.

    “É uma computação muito pesada que requer supercomputadores”, observa Sapsis. “Mas estes modelos ainda não resolvem processos muito importantes como nuvens ou tempestades, que ocorrem em escalas menores de um quilómetro ou menos”.

    Para melhorar a resolução destes modelos climáticos grosseiros, os cientistas normalmente tentam corrigir as equações dinâmicas subjacentes de um modelo, que descrevem como os fenómenos na atmosfera e nos oceanos devem interagir fisicamente.

    “As pessoas tentaram dissecar códigos de modelos climáticos que foram desenvolvidos nos últimos 20 a 30 anos, o que é um pesadelo porque pode perder muita estabilidade na sua simulação”, explica Sapsis. "O que estamos fazendo é uma abordagem completamente diferente, pois não estamos tentando corrigir as equações, mas sim corrigir o resultado do modelo."

    A nova abordagem da equipe pega o resultado de um modelo, ou simulação, e sobrepõe um algoritmo que direciona a simulação para algo que representa mais de perto as condições do mundo real.

    O algoritmo é baseado em um esquema de aprendizado de máquina que coleta dados, como informações anteriores sobre temperatura e umidade em todo o mundo, e aprende associações dentro dos dados que representam a dinâmica fundamental entre as características climáticas. O algoritmo então usa essas associações aprendidas para corrigir as previsões de um modelo.

    “O que estamos fazendo é tentar corrigir a dinâmica, como será a aparência de uma característica climática extrema, como a velocidade do vento durante um evento do furacão Sandy, no modelo aproximado versus a realidade”, diz Sapsis.

    "O método aprende dinâmica, e a dinâmica é universal. Ter a dinâmica correta eventualmente leva a estatísticas corretas, por exemplo, frequência de eventos extremos raros."

    Correção climática


    Como primeiro teste de sua nova abordagem, a equipe usou o esquema de aprendizado de máquina para corrigir simulações produzidas pelo Energy Exascale Earth System Model (E3SM), um modelo climático administrado pelo Departamento de Energia dos EUA que simula padrões climáticos em todo o mundo em uma resolução de 110 quilômetros.

    Os pesquisadores usaram oito anos de dados anteriores de temperatura, umidade e velocidade do vento para treinar seu novo algoritmo, que aprendeu associações dinâmicas entre as características meteorológicas medidas e o modelo E3SM. Eles então avançaram o modelo climático no tempo por cerca de 36 anos e aplicaram o algoritmo treinado às simulações do modelo.

    Eles descobriram que a versão corrigida produzia padrões climáticos que correspondiam mais de perto às observações do mundo real dos últimos 36 anos, não utilizadas para treinamento.

    “Não estamos falando de grandes diferenças em termos absolutos”, diz Sapsis. "Um evento extremo na simulação não corrigida pode ser de 105 graus Fahrenheit versus 115 graus com nossas correções. Mas para os humanos que vivenciam isso, isso é uma grande diferença."

    Quando a equipe combinou o modelo grosseiro corrigido com um modelo específico de ciclones tropicais de melhor resolução, descobriu que a abordagem reproduzia com precisão a frequência de tempestades extremas em locais específicos ao redor do mundo.

    “Agora temos um modelo aproximado que pode fornecer a frequência certa de eventos para o clima atual. Está muito mais aprimorado”, diz Sapsis. “Uma vez corrigida a dinâmica, esta é uma correção relevante, mesmo quando se tem uma temperatura global média diferente, e pode ser usada para compreender como serão os incêndios florestais, as inundações e as ondas de calor num clima futuro. está se concentrando na análise de cenários climáticos futuros."

    “Os resultados são particularmente impressionantes porque o método mostra resultados promissores no E3SM, um modelo climático de última geração”, diz Pedram Hassanzadeh, professor associado que lidera o grupo de Teoria e Dados de Extremos Climáticos na Universidade de Chicago e foi não envolvido com o estudo. "Seria interessante ver quais as projeções sobre alterações climáticas que este quadro produz, uma vez incorporados os futuros cenários de emissões de gases com efeito de estufa."

    Mais informações: B. Barthel Sorensen et al, Uma estrutura de aprendizado de máquina não intrusiva para eliminar simulações climáticas de resolução grosseira de longo prazo e quantificar estatísticas de eventos raros, Journal of Advances in Modeling Earth Systems (2024). DOI:10.1029/2023MS004122
    Fornecido pelo Instituto de Tecnologia de Massachusetts

    Esta história foi republicada como cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisa, inovação e ensino do MIT.



    © Ciência https://pt.scienceaq.com