Meio preciso

Apr 14, 2024

Nature volume 619, páginas 533–538 (2023)Cite este artigo

106 mil acessos

4 citações

1534 Altmétrico

Detalhes das métricas

A previsão do tempo é importante para a ciência e a sociedade. Atualmente, o sistema de previsão mais preciso é o método de previsão numérica do tempo (NWP), que representa os estados atmosféricos como grades discretizadas e resolve numericamente equações diferenciais parciais que descrevem a transição entre esses estados1. No entanto, este procedimento é computacionalmente caro. Recentemente, métodos2 baseados em inteligência artificial demonstraram potencial na aceleração da previsão meteorológica em ordens de grandeza, mas a precisão da previsão ainda é significativamente inferior à dos métodos NWP. Aqui apresentamos um método baseado em inteligência artificial para previsão meteorológica global precisa e de médio alcance. Mostramos que redes tridimensionais profundas equipadas com antecedentes específicos da Terra são eficazes para lidar com padrões complexos em dados meteorológicos, e que uma estratégia hierárquica de agregação temporal reduz erros de acumulação em previsões de médio alcance. Treinado em 39 anos de dados globais, nosso programa, Pangu-Weather, obtém resultados de previsão determinística mais fortes em dados de reanálise em todas as variáveis ​​testadas quando comparado com o melhor sistema NWP do mundo, o sistema operacional integrado de previsão do Centro Europeu de Meteorologia de Médio Prazo Previsões (ECMWF)3. Nosso método também funciona bem com previsões meteorológicas extremas e previsões de conjuntos. Quando inicializado com dados de reanálise, a precisão do rastreamento de ciclones tropicais também é maior do que a do ECMWF-HRES.

A previsão do tempo é uma aplicação importante da computação científica que visa prever mudanças climáticas futuras, especialmente no que diz respeito a eventos climáticos extremos. Na última década, os sistemas de computação de alto desempenho aceleraram enormemente a pesquisa no campo dos métodos numéricos de previsão do tempo (NWP)1. Os métodos convencionais de NWP preocupam-se principalmente em descrever as transições entre grades discretizadas de estados atmosféricos usando equações diferenciais parciais (PDEs) e depois resolvê-las com simulações numéricas . Esses métodos costumam ser lentos; uma única simulação para uma previsão de dez dias pode levar horas de computação em um supercomputador que possui centenas de nós7. Além disso, os algoritmos NWP convencionais dependem em grande parte da parametrização, que utiliza funções aproximadas para capturar processos não resolvidos, onde erros podem ser introduzidos por aproximação8,9.

O rápido desenvolvimento da aprendizagem profunda10 introduziu uma direção promissora, que a comunidade científica chama de métodos baseados em inteligência artificial (IA)2,11,12,13,14,15,16. Aqui, a metodologia consiste em treinar uma rede neural profunda para capturar a relação entre a entrada (reanálise dos dados meteorológicos em um determinado momento) e a saída (reanálise dos dados meteorológicos no momento alvo). Em dispositivos computacionais especializados, como unidades de processamento gráfico (GPUs), os métodos baseados em IA são extremamente rápidos. Para dar um exemplo recente, FourCastNet2 leva apenas 7 s para calcular uma previsão de 24 horas de 100 membros, o que é muito mais rápido do que os métodos NWP convencionais. No entanto, a precisão do FourCastNet ainda está abaixo do satisfatório; seu erro quadrático médio (RMSE) de uma previsão Z500 de 5 dias (geopotencial de 500 hPa) é 484,5, o que é muito pior do que os 333,7 relatados pelo sistema operacional integrado de previsão (IFS) do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF)3. Num inquérito recente17, os investigadores concordaram que a IA tem um grande potencial, mas admitiram que “são necessários vários avanços fundamentais” antes que os métodos baseados na IA possam vencer o NWP.

Esses avanços parecem estar acontecendo mais cedo do que o esperado. Aqui apresentamos o Pangu-Weather (veja Métodos para uma explicação do nome 'Pangu'), um poderoso sistema de previsão meteorológica baseado em IA que produz resultados de previsão determinísticos mais fortes do que o IFS operacional em todas as variáveis ​​meteorológicas testadas contra dados de reanálise. Nossas contribuições técnicas são duplas. Primeiro, integramos informações de altura em uma nova dimensão para que a entrada e a saída de nossas redes neurais profundas possam ser conceituadas em três dimensões. Projetamos ainda uma arquitetura tridimensional (3D) de transformador específico da Terra (3DEST) para injetar antecedentes específicos da Terra nas redes profundas. Nossos experimentos mostram que os modelos 3D, ao formular a altura em uma dimensão individual, têm a capacidade de capturar a relação entre os estados atmosféricos em diferentes níveis de pressão e, assim, produzir ganhos significativos de precisão, em comparação com modelos bidimensionais como o FourCastNet2. Em segundo lugar, aplicamos um algoritmo hierárquico de agregação temporal que envolve o treinamento de uma série de modelos com prazos de previsão crescentes. Assim, na fase de testes, o número de iterações necessárias para a previsão meteorológica a médio prazo foi largamente reduzido e os erros cumulativos de previsão foram atenuados. Experimentos na quinta geração de dados de reanálise do ECMWF (ERA5)18 validaram que o Pangu-Weather é bom em previsões determinísticas e previsões meteorológicas extremas, ao mesmo tempo que é mais de 10.000 vezes mais rápido que o IFS operacional.