CORDEX-ML-Bench: Um Referencial para a Redução de Escala Climática Regional Baseada em Dados – Projeto e Visão Geral do Experimento

Para abordar essa questão, o projeto CORDEX-ML-Bench foi concebido com o objetivo de estabelecer um referencial para a redução de escala climática regional baseada em dados. A estrutura do projeto visa realizar o downscaling da temperatura máxima diária e da precipitação para uma resolução de aproximadamente 10 km, o que representa um aumento de 20 vezes na resolução espacial, em três regiões piloto geograficamente diversas: os Alpes Europeus, a Nova Zelândia e a África Austral. Essa seleção de regiões permite testar a robustez e a adaptabilidade dos modelos em diferentes contextos climáticos e geográficos, contribuindo para uma avaliação abrangente de suas capacidades.

Utilizando um projeto experimental de modelo ideal, a pesquisa avaliou 40 configurações de ML desenvolvidas de forma independente. Essas configurações abrangem uma ampla gama de metodologias, incluindo abordagens de aprendizagem automática tradicional, redes U-Nets convolucionais, transformadores de visão, redes neurais gráficas e modelos generativos baseados em difusão. A diversidade de modelos testados permite uma análise comparativa aprofundada das diferentes arquiteturas e suas performances em tarefas de downscaling climático, oferecendo insights valiosos sobre as tendências atuais e futuras da área.

Os modelos foram treinados em dois períodos experimentais distintos. O primeiro período consistiu em uma pseudo-realidade de redução de escala estatística empírica, utilizando apenas dados do período histórico. O segundo período envolveu um emulador, que incorporou dados tanto dos períodos históricos quanto futuros. Essa abordagem de treinamento duplo é crucial para investigar a capacidade dos modelos de generalizar para condições climáticas futuras. A avaliação do desempenho dos modelos foi realizada com base em um conjunto básico de métricas desenvolvidas especificamente para este projeto, garantindo uma análise consistente e comparável entre todas as configurações testadas.

Os resultados demonstram que os modelos generativos superam consistentemente as abordagens determinísticas no que tange à previsão de precipitação. Eles são mais eficazes na captura da variabilidade e dos eventos extremos em escalas finas, o que é fundamental para a representação precisa de fenômenos hidrológicos. Para a temperatura, contudo, a vantagem dos modelos generativos é menos pronunciada, e as arquiteturas determinísticas mantêm-se competitivas. Essa diferença de desempenho entre as variáveis climáticas sugere que a escolha da arquitetura de ML deve ser cuidadosamente considerada em função da variável de interesse e dos objetivos específicos da projeção.

Uma descoberta crucial revelou que os modelos treinados exclusivamente com dados do período histórico subestimam sistematicamente os sinais futuros das alterações climáticas. Em contraste, aqueles modelos que foram treinados adicionalmente com dados de um período futuro apresentaram um desempenho superior na representação dessas projeções. Essas constatações levantam sérias preocupações sobre a validade e a confiabilidade de modelos historicamente treinados que são amplamente utilizados em ambientes operacionais para prever cenários futuros. Elas sublinham a necessidade imperativa de testes de extrapolação rigorosos para garantir que os modelos possam prever com precisão as condições climáticas em um futuro em constante mudança.