IA na Meteorologia: Inteligência artificial encontra extremos de temperatura históricos

Milhares de estações meteorológicas estão espalhadas por toda a superfície terrestre. Essas estações são importantes porque monitoram e coletam dados como temperatura, pressão atmosférica, umidade, velocidade e direção dos ventos, além de dados sobre precipitação. Há diferentes métodos para obter esses dados que vão desde sensores terrestres até satélites.

Esses dados são usados até no nosso cotidiano onde eles são analisados de forma a prever o tempo a curto prazo. Mas as aplicações vão além disso, uma aplicação importante é que esses dados podem ajudar a compreender o clima em diferentes partes do globo, em escalas de tempo maiores. É possível estudar mudanças climáticas e encontrar padrões além de fenômenos como o El Niño.

O estudo sobre clima tem ficado cada vez mais importante, principalmente para entender o que é natural e o que é impacto humano. Por causa disso, estudar o clima no passado é essencial para compreender o presente e o futuro. Com esse objetivo, um grupo desenvolveu um modelo de inteligência artificial capaz de encontrar extremos históricos. A ideia é obter uma compreensão melhor do clima em certas regiões.

Dados meteorológicos

Para obter dados meteorológicos, são usadas as estações meteorológicas que estão em pontos estratégicos no planeta. Elas utilizam diferentes instrumentos para monitorar as condições atmosféricas em uma dada região. Os dados que as estações obtém vão desde temperatura, pressão e umidade até precipitação e velocidade dos ventos. Esses dados ajudam pesquisadores a prever e entender o tempo.

Dados de várias estações indicam como é a variação de temperatura em escala global em anos ou décadas. Os registros mostram tendências de aquecimento ou resfriamento em diferentes regiões do mundo, identificam padrões climáticos sazonais e ondas de calor ou frio intenso. Eles são ajudam pesquisadores a correlacionar eventos climáticos com atividades humanas e ver o que é natural e o que não é.

Complexidade

A previsão do tempo e o estudo do clima são áreas complexas porque lidam diretamente com a natureza caótica da atmosfera. Uma das bases da Teoria do Caos veio com o meteorologista Edward Lorenz com estudos de previsão do tempo. A Teoria do Caos indica que mesmo variações minúsculas nos dados, como de temperatura ou pressão, podem levar a grandes diferenças nos resultados das previsões.

Por causa do comportamente caótico, a previsão fica mais difícil quanto maior a escala de tempo e limita a previsão em poucos dias ou semanas. Modelos computacionais ajudam a criar simulações que são atualizadas com os dados observacionais. A inteligência artificial funcionaria como uma ferramente para acelerar o processo e fazer previsões mais precisas.

Machine learning

Um campo da inteligência artificial que é extremamente útil quando se tem muitos dados é o do aprendizado de máquina (machine learning). Machine learning possui diferentes técnicas que consiste em computadores aprenderem através de dados. Os modelos são usados para identificar padrões e fazer previsões. Quanto maior o número de dados com qualidade, melhor será o aprendizado da máquina.

Nas questões meteorológicas, machine learning é uma possível opção de como lidar com a complexidade e quantidade de dados obtidos. Os modelos podem ser treinados para identificar padrões ocultos em dados históricos e em tempo real. O modelo treinado pode ajudar a fazer análise climáticas do passado como preencher lacunas em séries históricas de dados e identificar extremos climáticos desconhecidos.

Olhando pro passado

Com as mudanças climáticas, compreender como os extremos de temperatura e precipitação são essenciais no dia a dia. Principalmente, olhando para padrões que ocorreram no passado. No entanto, um problema é a falta de dados em muitas estações meteorológicas, especialmente durante a primeira metade do século passado. Esses dados são importantes para compreender as mudanças em 1 século.

Há várias razões para a falta de dados como a falta de estações meteorológicas em algumas regiões ou estações que ficaram anos sem monitoramento. Além disso, algumas regiões como os polos terrestres ainda falta um monitoramento mais detalhado. E quanto mais no passado olhamos, mais lacunas são encontradas em dados, principalmente considerando diferentes dados desde satélites até sensores.

Encontrando extremos históricos

Para resolver esse problema, um grupo de pesquisadores do Centro Alemão de Computação Climática em Hamburgo propôs o uso de inteligência artificial. O modelo foi treinado com dados de estações localizadas na Europa pelo grande volume de dados. O resultado final foi um modelo capaz de encontrar extremos climáticos em regiões da Europa, como dias e noites extremamente quentes ou frios.

O modelo também foi capaz de reconstruir fenômenos extremos passados e revelar tendências espaciais. Os pesquisadores chamaram a técnica de CRAI que foi bem sucedida quando comparada com dados observacionais e outras técnicas. Eles conseguiram identificar extremos europeus antes desconhecidos, como uma onda de frio 1929 e uma onda de calor em 1911.

Referência da notícia:

Plésiat et al. 2024 Artificial intelligence reveals past climate extremes by reconstructing historical records Nature Communications