Os modelos de deep learning provaram ser muito eficazes para analisar grandes quantidades de dados e prever com precisão eventos futuros. Isso os torna vantajosos para uma ampla gama de aplicações, incluindo previsão do tempo.
Embora os meteorologistas agora possam prever as tendências climáticas gerais para os próximos dois a três dias razoavelmente bem, as mudanças climáticas levaram a um aumento de eventos climáticos extremos inesperados, incluindo tempestades, tempestades de granizo e furacões. Prever com precisão esses eventos meteorológicos repentinos com algumas horas de antecedência pode ajudar a se preparar para eles, limitando potencialmente seu impacto e consequências adversas.
Pesquisadores do IRT AESE Saint Exupéry e Météo-France desenvolveram recentemente três redes neurais profundas para prever precipitações iminentes. Essas redes, introduzidas em um artigo pré-publicado no arXiv, podem permitir que meteorologistas, governos, organizadores de eventos esportivos e outras organizações prevejam a ocorrência de tempestades, furacões e outros eventos climáticos extremos com uma a seis horas de antecedência.
“Propomos o uso de três modelos populares de deep learning (U-net, ConvLSTM e SVG-LP) treinados em mapas de precipitação bidimensionais para previsão de precipitação”, escreveram os pesquisadores em seu artigo. “Também propusemos um algoritmo para extração de manchas para obter mapas de precipitação de alta resolução.”
Hoje, a maioria das previsões meteorológicas de longo prazo depende de modelos numéricos que podem simular processos de física atmosférica usando imagens do céu, dados de radar e outros dados atmosféricos disponíveis. Embora esses métodos possam prever precipitações com boa precisão, eles geralmente precisam realizar cálculos extensos e, portanto, levam muito tempo para fazer previsões. Como resultado, esses métodos geralmente não funcionam igualmente bem na previsão de precipitação ou na previsão de precipitações iminentes.
O objetivo principal do trabalho recente de Mohamed Chafik Bakkay e seus colegas da IRT AESE Saint Exupéry e Météo-France era desenvolver redes neurais profundas que pudessem lidar com a previsão de precipitação de forma mais eficaz do que os modelos numéricos de previsão do tempo. Em seu artigo, eles apresentaram três modelos diferentes, a saber, uma rede U, uma rede ConvLSTM e uma rede SVG-LP.
As três redes foram treinadas em um conjunto de dados contendo 20.352 imagens de alta resolução capturadas pela Météo-France usando a tecnologia de eco de radar entre 2017 e 2018. Essas imagens cobriram uma área de aproximadamente 1.000 x 1.000 km2 na França.
Como alimentar diretamente os mapas de precipitação de alta resolução para as redes neurais profundas saturaria a GPU de um computador, os pesquisadores também desenvolveram um algoritmo de extração de patches que pode particioná-los em patches de 256 x 256. Em vez de prever precipitações para os mapas inteiros, as redes podem aprender a fazer previsões sobre essas manchas específicas. Por fim, eles também desenvolveram um algoritmo de função de perda que melhora a qualidade das imagens processadas pelas redes neurais, tornando-as menos borradas.
Bakkay e seus colegas avaliaram o desempenho de todos os três modelos que desenvolveram em uma série de testes, comparando a qualidade das reconstruções que produziram e a precisão de suas previsões. Eles descobriram que, enquanto todos os três modelos capturaram bem a evolução dos campos de precipitação, o modelo U-Net, que é uma arquitetura de rede neural convolucional (CNN), teve um desempenho melhor do que os outros dois modelos.
“O método baseado em CNN supera os modelos baseados em RNN”, escreveram os pesquisadores em seu artigo. “Ele é capaz de gerar alto valor de precipitação e pode prever o contorno de chuvas futuras com mais precisão. Além disso, o ConvLSTM supera o SVG-LP, mas tende a desfocar os quadros posteriores.”
No futuro, a arquitetura U-Net desenvolvida por essa equipe de pesquisadores poderá ser usada para desenvolver ferramentas mais eficazes para prever precipitações e tempestades iminentes. Além disso, seu trabalho pode inspirar outras equipes a desenvolver modelos semelhantes para prever eventos climáticos extremos.
Publicado em 09/04/2022 16h47
Artigo original:
Estudo original: