Notícias

Apr 20, 2023

Novo método prevê eventos extremos com mais precisão

NOVA YORK, NY — Com o surgimento de eventos climáticos extremos, que estão se tornando cada vez mais

NOVA YORK, NY — Com o surgimento de eventos climáticos extremos, que estão se tornando mais frequentes em nosso clima mais quente, previsões precisas estão se tornando mais críticas para todos nós, de agricultores a moradores de cidades e empresas em todo o mundo. Até o momento, os modelos climáticos falharam em prever com precisão a intensidade da precipitação, particularmente os extremos. Enquanto na natureza a precipitação pode ser variada, com muitos extremos de precipitação, os modelos climáticos preveem uma variação menor na precipitação com um viés para chuva leve.

Pesquisadores têm trabalhado para desenvolver algoritmos que melhorem a precisão da previsão, mas, como relatam os cientistas climáticos da Columbia Engineering, há uma informação ausente nas parametrizações tradicionais do modelo climático - uma maneira de descrever a estrutura e a organização da nuvem que é tão fina que não é capturada em a grade computacional que está sendo usada. Essas medidas de organização afetam as previsões da intensidade da precipitação e sua estocasticidade, a variabilidade das flutuações aleatórias na intensidade da precipitação. Até agora, não havia uma maneira eficaz e precisa de medir a estrutura da nuvem e quantificar seu impacto.

Um novo estudo de uma equipe liderada por Pierre Gentine, diretor do Learning the Earth with Artificial Intelligence and Physics (LEAP) Center, usou simulações globais de resolução de tempestades e aprendizado de máquina para criar um algoritmo que pode lidar separadamente com duas escalas diferentes de nuvem. organização: as resolvidas por um modelo climático e as que não podem ser resolvidas por serem muito pequenas. Essa nova abordagem aborda a informação que faltava nas parametrizações de modelos climáticos tradicionais e fornece uma maneira de prever a intensidade e a variabilidade da precipitação com mais precisão.

"Nossas descobertas são especialmente empolgantes porque, por muitos anos, a comunidade científica debateu se deveria incluir a organização de nuvens em modelos climáticos", disse Gentine, Maurice Ewing e J. Lamar Worzel Professor de Geofísica nos Departamentos de Terra e Engenharia Ambiental e Terra Ciências Ambientais e membro do Data Science Institute. “Nosso trabalho fornece uma resposta ao debate e uma solução inovadora para incluir a organização, mostrando que a inclusão dessas informações pode melhorar significativamente nossa previsão da intensidade e variabilidade da precipitação”.

Sarah Shamekh, uma estudante de doutorado que trabalha com Gentine, desenvolveu um algoritmo de rede neural que aprende as informações relevantes sobre o papel da organização de nuvens em escala fina (escalas não resolvidas) na precipitação. Como Shamekh não definiu uma métrica ou fórmula com antecedência, o modelo aprende implicitamente — por conta própria — como medir o agrupamento de nuvens, uma métrica de organização, e então usa essa métrica para melhorar a previsão de precipitação. Shamekh treinou o algoritmo em um campo de umidade de alta resolução, codificando o grau de organização em pequena escala.

“Descobrimos que nossa métrica de organização explica quase inteiramente a variabilidade da precipitação e pode substituir uma parametrização estocástica em modelos climáticos”, disse Shamekh, principal autor do estudo, publicado pela PNAS. “A inclusão dessas informações melhorou significativamente a previsão de precipitação na escala relevante para os modelos climáticos, prevendo com precisão extremos de precipitação e variabilidade espacial”.

Os pesquisadores agora estão usando sua abordagem de aprendizado de máquina, que aprende implicitamente a métrica de organização da nuvem sub-grade, em modelos climáticos. Isso deve melhorar significativamente a previsão da intensidade e variabilidade da precipitação, incluindo eventos extremos de precipitação, e permitir que os cientistas projetem melhor as mudanças futuras no ciclo da água e os padrões climáticos extremos em um clima em aquecimento.

Esta pesquisa também abre novos caminhos de investigação, como explorar a possibilidade da precipitação criar memória, onde a atmosfera retém informações sobre condições climáticas recentes, que por sua vez influenciam as condições atmosféricas posteriores, no sistema climático. Essa nova abordagem pode ter aplicações abrangentes além da modelagem de precipitação, incluindo uma melhor modelagem da camada de gelo e da superfície do oceano.