Avaliação de modelos de aprendizado de máquina de médio alcance para previsão subsazonal

O desempenho de dois modelos atmosféricos de aprendizado de máquina (ML), GraphCast e FourCastNetV2, é avaliado no contexto da previsão subsazonal. Esta análise inclui a investigação de sua capacidade de representar os principais impulsionadores da variabilidade climática, como a Oscilação Madden-Julian (OMJ) e outros fenômenos relevantes. A previsão subsazonal, que abrange períodos de semanas a meses, é crucial para diversas aplicações, desde a agricultura até a gestão de desastres naturais, e aprimorar sua acurácia é um desafio contínuo na meteorologia e climatologia. A utilização de modelos de ML para essa finalidade representa uma fronteira promissora, oferecendo novas perspectivas para superar as limitações dos modelos físicos tradicionais.

A habilidade desses modelos foi avaliada em dois períodos distintos de retrospectiva (retrocast). O primeiro período abrange 38 anos, enquanto o segundo se estende por 2, 5 anos. O período mais longo, de 38 anos, embora se sobreponha às janelas de treinamento dos modelos de ML, oferece uma amostra de dados significativamente maior, o que é essencial para uma avaliação robusta e estatisticamente confiável. Por outro lado, o período mais curto, de 2, 5 anos, é completamente independente do período de treinamento dos modelos de ML, garantindo uma avaliação imparcial de sua capacidade preditiva em dados não vistos. Essa abordagem de avaliação dupla é um compromisso estratégico para mitigar o problema da insuficiência de dados independentes, um desafio comum na validação de modelos de previsão subsazonal.

Para contextualizar o desempenho dos modelos de aprendizado de máquina, eles foram comparados com sistemas de previsão baseados em física. No período de 38 anos, a comparação foi realizada com o sistema de previsão sazonal ACCESS-S2, desenvolvido pelo Bureau of Meteorology. Já para o período mais curto de 2, 5 anos, os modelos de ML foram confrontados com um modelo acoplado baseado em física mais recente, que representa o estado da arte em sistemas de previsão. Essa metodologia comparativa permite não apenas quantificar a performance dos modelos de ML, mas também entender como eles se posicionam em relação às abordagens estabelecidas, destacando suas vantagens e desvantagens relativas em diferentes horizontes temporais e condições de dados.

Os resultados da avaliação revelaram que, em ambos os períodos analisados, os modelos de aprendizado de máquina demonstraram uma capacidade surpreendentemente boa para escalas de tempo subsazonais. Este achado é notável, considerando que esses modelos foram originalmente concebidos e otimizados para previsões em escalas de tempo de médio alcance, tipicamente mais curtas que as subsazonais. A habilidade inesperada em prazos mais longos sugere uma generalização robusta e a capacidade de capturar dinâmicas atmosféricas complexas que são relevantes para a previsão de médio a longo prazo. Essa adaptabilidade dos modelos de ML abre novas avenidas para sua aplicação em domínios onde os modelos físicos enfrentam desafios significativos.

De maneira geral, os modelos de aprendizado de máquina mostraram-se tão hábeis quanto a média do conjunto de modelos físicos em prazos de entrega mais curtos. Para prazos de entrega mais longos, a performance dos modelos de ML foi comparável à dos membros individuais do conjunto de modelos físicos. Essa equivalência de desempenho, ou até mesmo superioridade em certas métricas e prazos, sublinha o potencial dos modelos de ML como ferramentas complementares ou até mesmo substitutas para os sistemas de previsão baseados em física. A eficiência computacional e a capacidade de aprender padrões complexos a partir de grandes volumes de dados são vantagens inerentes que podem acelerar o desenvolvimento de sistemas de previsão mais precisos e eficientes.

A avaliação detalhada de GraphCast e FourCastNetV2 para previsão subsazonal oferece insights valiosos sobre o futuro da modelagem climática. A demonstração de que modelos de aprendizado de máquina podem igualar ou superar a performance de modelos físicos complexos em escalas de tempo desafiadoras é um marco importante. Isso não apenas valida a pesquisa em ML para ciências da Terra, mas também incentiva o desenvolvimento de novas arquiteturas e metodologias que possam explorar ainda mais o potencial desses sistemas. A integração de abordagens de ML com o conhecimento físico existente pode levar a avanços significativos na acurácia e confiabilidade das previsões climáticas em diversas escalas temporais.