D8 Modelagem Numérica e Assimilação

Tópico

Os modelos numéricos oceânicos integram, em grades tridimensionais que cobrem todo o oceano, as equações oceânicas primitivas — derivadas das equações de Navier-Stokes, juntamente com a termodinâmica e a equação de estado da água do mar — e, com elas, simulam a circulação geral, a circulação termohalina, as marés e a mesoescala oceânica. Os modelos de mais alta resolução atualmente atingem um doze avos de grau, aproximadamente oito quilômetros, resolução suficiente para resolver explicitamente a mesoescala em vez de ter que aproximá-la. Existem vários desses modelos numéricos oceânicos, desenvolvidos em diferentes centros na Europa e nos Estados Unidos, cada um projetado para um domínio diferente, seja o oceano global, uma bacia específica ou uma faixa costeira. Isso significa que nenhum modelo numérico oceânico isolado é o melhor para todas as aplicações simultaneamente.

Paralelamente a esses modelos de circulação, os modelos de ondas resolvem um problema físico diferente: eles integram a equação da ação das ondas em grades bidimensionais, simulando como as ondas são geradas, propagam-se e dissipam-se, representando todo o espectro de ondas que constituem o estado do mar em qualquer dado momento. Isso significa que esses modelos de ondas complementam, em vez de substituir, os modelos de circulação oceânica.

A assimilação de dados oceânicos combina as observações descritas em documentos anteriores — bóias autônomas, medições de satélite e levantamentos hidrográficos — com esses mesmos modelos numéricos oceânicos para obter a melhor estimativa possível do estado real do oceano. O método variacional quadridimensional minimiza uma função de custo que pondera a discrepância entre o modelo e as observações em um determinado intervalo de tempo, buscando as condições iniciais que melhor explicam essas observações. O filtro de conjunto de Kalman, por outro lado, evolui em paralelo um conjunto completo de diferentes realizações do mesmo modelo, atualizando todo esse conjunto cada vez que novas observações chegam. Em ambos os casos, o resultado final é a análise: a melhor estimativa do estado do oceano naquele momento, o ponto de partida a partir do qual qualquer previsão subsequente começa. É precisamente essa combinação de observações e modelo que torna a análise sempre mais precisa do que qualquer uma delas isoladamente.

A reanálise oceânica é a aplicação dessa mesma assimilação de dados, mas retrocedendo no tempo e abrangendo períodos de várias décadas: ela combina retrospectivamente todas as observações disponíveis de cada momento no passado com o modelo numérico, reconstruindo assim uma história coerente e contínua do estado do oceano, mesmo para períodos em que havia muito menos observações do que hoje. Isso faz da reanálise oceânica, para essas décadas anteriores, a única fonte verdadeiramente homogênea de dados oceânicos disponível.

Os gêmeos digitais oceânicos trazem essa mesma ideia para o presente: são representações virtuais do oceano, atualizadas em tempo real ou quase em tempo real, que combinam modelos numéricos oceânicos de alta resolução com sistemas de assimilação de dados e aprendizado de máquina para produzir previsões operacionais. Nesses gêmeos digitais, o aprendizado de máquina oceânico é aplicado para emular modelos climáticos que são muito mais dispendiosos para executar diretamente, para detectar vórtices oceânicos, para classificar tipos de água e para aprimorar a parametrização de processos de menor escala que a própria malha do modelo não consegue resolver. Isso permite que esses gêmeos digitais combinem, em um único sistema, quase todas as técnicas descritas até agora.

O comportamento esperado de toda essa cadeia, desde o modelo numérico do oceano até o gêmeo digital que o atualiza em tempo real, é que a solução do modelo convirja com as observações sempre que a assimilação de dados funcionar corretamente. Essa convergência é medida pela comparação de dois erros: o erro de fundo, a diferença entre o modelo e as observações antes da assimilação, e o erro de análise, essa mesma diferença após a assimilação. É justamente o fato de esse segundo erro ser muito menor que o primeiro que nos permite confirmar que a assimilação de dados oceânicos realmente melhorou o estado do oceano descrito pelo modelo.

ID:2182