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.