D8 Modelagem Numérica e Predição

Tópico

A modelagem numérica do tempo envolve a integração numérica das equações atmosféricas primitivas, que descrevem como o ar se move e muda, de um estado inicial para o futuro. Esse estado inicial é simplesmente a análise produzida pela assimilação de dados: a modelagem numérica do tempo pega essa análise, avança-a ao longo do tempo resolvendo as equações atmosféricas primitivas passo a passo e, assim, constrói a previsão.

Dentro da modelagem numérica do tempo, diferentes centros meteorológicos operam seus próprios modelos globais de previsão, cada um com uma resolução horizontal entre nove e treze quilômetros e mais de cem níveis verticais, e cada um capaz de prever as condições atmosféricas com até quinze dias de antecedência, embora sua precisão diminua quanto mais distante no futuro a previsão for projetada. Os modelos regionais de alta resolução, por outro lado, sacrificam a cobertura global em troca de uma resolução muito mais fina, de um a três quilômetros, fina o suficiente para resolver explicitamente fenômenos de mesoescala, como convecção profunda, em vez de ter que aproximá-los como fazem os modelos globais de previsão com essa mesma resolução mais grosseira.

Como nenhum modelo de previsão global consegue conhecer o estado inicial da atmosfera com precisão perfeita, a previsão por conjunto quantifica a incerteza introduzida por essa falta de conhecimento: ela executa o mesmo modelo várias vezes, cada vez com um estado inicial ligeiramente diferente — às vezes várias dezenas de estados iniciais perturbados, por exemplo, cinquenta e um — e, além disso, às vezes com diferentes versões do próprio modelo. A dispersão apresentada pelos diferentes membros desse conjunto de previsões é, em si, uma medida de incerteza: quanto maior a dispersão entre os membros do conjunto, menor a previsibilidade da atmosfera naquele momento.

A precisão de qualquer uma dessas previsões — seja de um modelo global, um modelo regional ou um conjunto de previsões — é, em última análise, medida usando várias métricas estatísticas. Algumas medem o erro médio entre a previsão do modelo e o evento real; outras medem o quão bem o padrão de anomalia previsto pelo modelo corresponde ao padrão real; e outras ainda medem o quão bem as probabilidades fornecidas pelo conjunto de previsões são calibradas quando, por exemplo, se prevê a probabilidade de chuva.

Nos últimos anos, a inteligência artificial aplicada à meteorologia ofereceu um caminho diferente para alcançar essa mesma capacidade preditiva: vários modelos de redes neurais, treinados por diferentes laboratórios, alcançam uma capacidade preditiva comparável à dos modelos convencionais de previsão global, mas em minutos de computação em vez de horas. A diferença fundamental reside em como chegam às suas previsões: enquanto a modelagem numérica do tempo resolve explicitamente as equações atmosféricas primitivas passo a passo, esses modelos neurais são treinados em grandes volumes de dados de reanálise e aprendem as equações de fluidos atmosféricos diretamente desses dados, sem resolvê-las explicitamente para cada previsão.

Para o menor período de tempo de todos, de zero a duas horas à frente, nem a modelagem numérica do tempo nem os modelos neurais são precisos: o nowcasting resolve esse período combinando a extrapolação das imagens de radar e satélite mais recentes com modelos regionais de alta resolução, aproveitando o fato de que, em uma escala de minutos e alguns quilômetros, basta rastrear o movimento do que já está acontecendo no céu. Assim, desde a integração lenta e explícita das equações atmosféricas primitivas até a aprendizagem direta de modelos neurais e a simples extrapolação da previsão imediata, a modelagem numérica do tempo abrange diferentes caminhos que perseguem o mesmo objetivo: transformar o estado atual da atmosfera, capturado pela análise, na melhor previsão possível do seu futuro.

ID:38