sbmac@sbmac.org.br

(16) 99637-4820

Pesquisar
Pesquisar

Com participação de brasileiro, estudo melhora significativamente a previsão de eventos extremos

Paulo Orenstein, pesquisador do IMPA, é coautor de artigo que quase dobra a precisão das previsões do clima e foi publicado na Nature

Prever o clima com várias semanas de antecedência é um dos maiores desafios da meteorologia e é essencial para antecipar eventos extremos. Um artigo publicado na última quarta-feira (14) na revista Nature apresenta um conjunto de técnicas de correção estatística que quase dobra a acurácia das previsões no chamado horizonte subsazonal, de duas a seis semanas. Paulo Orenstein, pesquisador do Instituto de Matemática Pura e Aplicada (IMPA) – entidade associada institucional da SBMAC – é o único brasileiro entre os autores que são afiliados a instituições como Harvard, MIT e Universidade de Toronto.

“Prever o clima com muita antecedência é difícil porque pequenos erros na modelagem atmosférica se multiplicam com o passar dos dias e das semanas. Desenvolvemos um conjunto de técnicas de correção estatística que evita que esses erros se acumulem. A correção pode ser aplicada a qualquer modelo climático existente e, por ser probabilística, melhora não só a previsão em si, mas também nossa capacidade de prever a probabilidade de eventos extremos”, explica Orenstein, coautor do estudo.

O resultado atinge tanto os modelos climáticos clássicos, baseados em simulações atmosféricas e equações diferenciais, quanto os mais recentes modelos baseados em inteligência artificial (IA). Por melhor que seja o modelo, incertezas minúsculas na condição inicial da atmosfera crescem com o tempo e somadas a falhas sistemáticas de cada sistema de previsão, criam um “deserto de previsibilidade” nas semanas intermediárias, entre o alcance dos modelos de curto prazo e a escala sazonal.

É nesse intervalo que entra o método apresentado no artigo, batizado de PBC (Probabilistic Bias Correction). O PBC aprende, a partir de previsões históricas, onde e como cada modelo costuma errar e corrige esses desvios de forma sistemática. A correção combina duas estratégias complementares: a Debias++, que ajusta os erros específicos de cada local, data e faixa de intensidade, e a Persistence++, que incorpora observações recentes e a climatologia ao longo da previsão.

Como a correção é probabilística por natureza, o ganho vai além da previsão pontual: o método aprimora também a capacidade de estimar a probabilidade de ocorrência de eventos mais ou menos extremos, informação essencial para antecipar secas, chuvas torrenciais, ondas de calor ou de frio.

Os pesquisadores avaliaram o método em três variáveis meteorológicas: temperatura, precipitação e pressão atmosférica no horizonte subsazonal. O PBC dobrou a habilidade preditiva do sistema de previsão por IA do ECMWF (Centro Europeu de Previsões Meteorológicas de Médio Prazo) e melhorou o desempenho de modelos dinâmicos já corrigidos operacionalmente em 91% dos alvos de pressão, 92% dos de temperatura e 98% dos de precipitação. Segundo os autores, essencialmente todos os modelos climáticos em uso atualmente se beneficiam das técnicas.

Pesquisadores venceram desafio global de previsão climática

As mesmas ideias estiveram por trás da vitória da equipe, que desenvolveu o modelo MicroDuet, na AI Weather Quest, competição internacional organizada pelo ECMWF ao longo de 12 meses. O modelo ficou em primeiro lugar em todas as variáveis e prazos avaliados, superando 34 equipes de todo o mundo, os modelos operacionais de seis centros de previsão governamentais e os sistemas de IA desenvolvidos pelo próprio ECMWF. A proposta do centro europeu é integrar os modelos premiados e testá-los em tempo real.

Entre as aplicações práticas do avanço está a previsão de eventos extremos com semanas de antecedência, informação valiosa para o planejamento agrícola, a gestão de recursos hídricos e de energia e a defesa civil. O próximo passo, segundo os pesquisadores, é aplicar os modelos a variáveis reais, com impacto direto em decisões agrícolas e de plantio.

O artigo “Advancing Subseasonal Forecasting with Machine Learning” tem autoria de Hannah Guan, Soukayna Mouatadid, Paulo Orenstein, Judah Cohen, Haiyu Dong, Zekun Ni, Jeremy Berman, Genevieve Flaspohler, Alex Lu, Jakob Schloer, Joshua Talib, Jonathan A. Weyn e Lester Mackey, com afiliações à Microsoft Research, Microsoft, Harvard, Universidade de Toronto, IMPA, MIT, Atmospheric and Environmental Research, Rhiza Research e ECMWF.

Sobre o IMPA

Fundado em 1952, o IMPA é um centro de pesquisa matemática e pós-graduação de renome internacional, com programas de mestrado, doutorado e mestrado profissional. Em 2024, o Instituto inaugurou seu primeiro curso de graduação, o IMPA Tech. O IMPA também organiza a Olimpíada Brasileira de Matemática das Escolas Públicas (OBMEP), a maior olimpíada científica do mundo em número de participantes.

Compartilhe