AI supera modelos tradicionais: previsão rápida e precisa do tempo e das mudanças climáticas

Dados da Organização Meteorológica Mundial (OMM) mostram que nos últimos 50 anos, em média, ocorreu um desastre relacionado ao clima, tempo ou água todos os dias, causando aproximadamente 115 mortes e $202 milhões em perdas econômicas por evento.

Mais alarmante ainda, nos últimos anos, as mudanças climáticas aceleradas pelas atividades humanas levaram a um aumento anormal de desastres climáticos e meteorológicos extremos, como ondas de calor, ondas de frio, precipitações intensas e secas.

Portanto, previsões meteorológicas e simulações climáticas precisas e oportunas podem não apenas ajudar a salvar dezenas de milhares de vidas a cada ano, mas também reduzir o impacto catastrófico de eventos climáticos e meteorológicos extremos na sociedade humana e nos ecossistemas.

Agora, um modelo de inteligência artificial (IA) chamado NeuralGCM, desenvolvido pela equipe de pesquisa do Google e seus colaboradores, elevou a previsão do tempo e a simulação climática a um novo patamar:

A precisão do NeuralGCM para previsões de 1-15 dias é comparável à do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), que possui o modelo físico tradicional de previsão do tempo mais avançado do mundo.
Para previsões com 10 dias de antecedência, o NeuralGCM tem desempenho igual ou melhor que os modelos de IA existentes.
Com a inclusão da temperatura da superfície do mar, os resultados da previsão climática de 40 anos do NeuralGCM são consistentes com as tendências de aquecimento global encontradas nos dados do ECMWF.
O NeuralGCM também supera os modelos climáticos existentes na previsão de ciclones e suas trajetórias.

Notavelmente, o NeuralGCM não apenas iguala ou supera a precisão dos modelos tradicionais existentes de previsão numérica do tempo e outros modelos de aprendizado de máquina (ML), mas também é significativamente mais rápido, capaz de gerar 22,8 dias de simulação atmosférica em 30 segundos de tempo de computação. Ele também pode economizar ordens de magnitude em recursos computacionais em comparação com modelos tradicionais.

O artigo de pesquisa relacionado, intitulado "Neural general circulation models for weather and climate", foi publicado na conceituada revista científica Nature.

Esses resultados demonstram coletivamente que o NeuralGCM pode gerar previsões determinísticas do tempo, conjuntos de previsões meteorológicas e climáticas, mostrando estabilidade suficiente para simulações climáticas e meteorológicas de longo prazo.

A equipe de pesquisa acredita que essa abordagem de aprendizado profundo de ponta a ponta é compatível com as tarefas realizadas pelos modelos tradicionais de circulação geral (GCMs, que representam processos físicos na atmosfera, oceanos e terra, e são a base para previsão do tempo e clima), e pode aprimorar simulações físicas em larga escala que são cruciais para entender e prever o sistema terrestre.

Além disso, a abordagem de modelagem híbrida do NeuralGCM pode ser aplicada a outros campos científicos, como descoberta de materiais, dobramento de proteínas e design de engenharia multifísica.

Reduzir a incerteza em previsões de longo prazo e estimar eventos climáticos extremos são fundamentais para entender a mitigação e adaptação climática.

Os modelos de ML há muito são considerados um meio alternativo de previsão do tempo, com a vantagem de economizar custos computacionais. Eles até alcançaram ou excederam o nível dos modelos de circulação atmosférica na previsão determinística do tempo. No entanto, frequentemente têm desempenho inferior aos modelos de circulação atmosférica em previsões de longo prazo.

Neste trabalho, a equipe de pesquisa projetou o NeuralGCM combinando métodos de aprendizado de máquina e físicos, usando componentes de ML para substituir ou corrigir esquemas tradicionais de parametrização física em GCMs. Ele consiste nas seguintes partes principais:

Núcleo dinâmico diferenciável: Este núcleo é responsável por resolver equações dinâmicas discretizadas, simulando movimento de fluidos em grande escala e processos termodinâmicos influenciados pela gravidade, força de Coriolis e outros fatores. O núcleo dinâmico usa discretização pseudo-espectral horizontal e coordenadas sigma verticais, e é implementado usando a biblioteca JAX, suportando diferenciação automática. Ele simula sete variáveis de previsão: vorticidade do vento horizontal, divergência do vento horizontal, temperatura, pressão superficial e três substâncias aquosas (umidade específica, conteúdo de água em nuvens de gelo e conteúdo de água em nuvens líquidas).
Módulo de física de aprendizagem: Este módulo usa o método de coluna única em GCMs, usando apenas informações de uma única coluna atmosférica para prever a influência de processos não resolvidos dentro dessa coluna. Ele usa uma rede neural totalmente conectada com conexões residuais, compartilhando pesos em todas as colunas atmosféricas. As entradas da rede neural incluem variáveis de previsão na coluna atmosférica, radiação solar total incidente, concentração de gelo marinho e temperatura da superfície do mar, bem como gradientes horizontais de variáveis de previsão. A saída da rede neural é a tendência da variável de previsão, escalada pelo desvio padrão incondicional do campo alvo.
Codificador e decodificador: Como os dados ERA5 são armazenados em coordenadas de pressão enquanto o núcleo dinâmico usa um sistema de coordenadas sigma, codificadores e decodificadores são necessários para conversão. Esses componentes realizam interpolação linear entre níveis de pressão e níveis de coordenadas sigma, e usam a mesma arquitetura de rede neural que o módulo de física aprendida para correção. O codificador pode eliminar ondas gravitacionais causadas por choque de inicialização, evitando assim a contaminação dos resultados da previsão.

Os resultados mostram que o NeuralGCM demonstra capacidades poderosas na previsão do tempo, comparáveis aos modelos de última geração em escalas de tempo ultra-curto, curto e médio prazo. Por exemplo:

Previsão de ultra-curto prazo (0-1 dia):

Capacidade de generalização: Comparado ao GraphCast, o NeuralGCM tem melhor desempenho em condições meteorológicas não treinadas porque usa redes neurais locais para prever processos físicos em colunas verticais atmosféricas.

Previsão de curto prazo (1-10 dias):

Precisão: Nas previsões de curto prazo de 1-3 dias, NeuralGCM-0.7° e GraphCast têm o melhor desempenho, rastreando com precisão as mudanças nos padrões climáticos.
Consistência física: Comparado a outros modelos de aprendizado de máquina, as previsões do NeuralGCM são mais claras, evitando previsões borradas fisicamente inconsistentes.
Interpretabilidade: Ao diagnosticar precipitação menos evaporação, os resultados do NeuralGCM são mais interpretáveis, facilitando a análise de recursos hídricos.
Equilíbrio do vento geostrófico: Comparado ao GraphCast, o NeuralGCM simula com mais precisão os ventos geostróficos e sua estrutura vertical e proporções.

Previsão de médio prazo (7-15 dias):

Previsão por conjunto: O NeuralGCM-ENS com resolução de 1.4° tem erros médios de conjunto RMSE, RMSB e CRPS mais baixos do que o ECMWF-ENS, indicando sua capacidade de capturar melhor possíveis estados médios do tempo.
Calibrabilidade: As previsões por conjunto do NeuralGCM-ENS, como o ECMWF-ENS, têm uma razão dispersão-habilidade de cerca de 1, que é uma condição necessária para previsões calibradas.

Além do excelente desempenho na previsão do tempo, o NeuralGCM também demonstra fortes capacidades na simulação climática, incluindo simulação do ciclo sazonal, simulação de ciclones tropicais e simulação de tendências históricas de temperatura. Por exemplo:

Simulação do ciclo sazonal:

Precisão: O NeuralGCM pode simular com precisão ciclos sazonais, incluindo ciclos anuais de água precipitável global e energia cinética total global, bem como dinâmicas atmosféricas chave como a circulação de Hadley e ventos médios zonais.
Comparação com modelos globais de resolução de nuvens: Comparado ao modelo global de resolução de nuvens X-SHiELD, o NeuralGCM tem menores vieses em água precipitável e menores vieses de temperatura em regiões tropicais.

Simulação de ciclones tropicais:

Trajetórias e números: Mesmo com uma resolução grosseira de 1.4°, o NeuralGCM pode produzir trajetórias e números de ciclones tropicais semelhantes ao ERA5, enquanto o modelo global de resolução de nuvens X-SHiELD subestima o número de ciclones tropicais na resolução de 1.4°.

Simulação de tendência histórica de temperatura:

Simulação AMIP: O NeuralGCM-2.8° realizou uma simulação AMIP de 40 anos. Os resultados mostram que todas as simulações capturam com precisão a tendência de aquecimento global observada nos dados ERA5, e as tendências de temperatura interanuais têm uma forte correlação com os dados ERA5, indicando que o NeuralGCM pode simular efetivamente o impacto do forçamento da temperatura do mar no clima.
Comparação com modelos CMIP6: Comparado aos modelos CMIP6 AMIP, o NeuralGCM-2.8° tem menores vieses de temperatura durante 1981-2014, mesmo após remover o viés de temperatura global dos modelos CMIP6 AMIP.

Embora o NeuralGCM demonstre capacidades poderosas na previsão do tempo e clima, ainda tem algumas limitações:

Capacidade limitada de prever climas futuros: O NeuralGCM atualmente não pode prever climas futuros que são significativamente diferentes dos climas históricos. Quando a temperatura da superfície do mar (SST) aumenta significativamente (por exemplo, +4K), a resposta do NeuralGCM é inconsistente com as expectativas e ocorre deriva climática.
Capacidade insuficiente de simular climas não observados: Como outros modelos climáticos de aprendizado de máquina, o NeuralGCM também enfrenta desafios na simulação de climas não observados, como climas futuros ou climas que diferem significativamente dos dados históricos. Isso requer que os modelos tenham capacidades de generalização mais fortes e estratégias de treinamento mais avançadas, como treinamento adversarial ou meta-aprendizagem.
Restrições físicas e problemas de estabilidade numérica: Por exemplo, a distribuição espectral do NeuralGCM ainda é mais borrada do que as previsões físicas do ECMWF, e ainda existem alguns problemas de estabilidade numérica na simulação de eventos climáticos extremos.