Pesquisadores usam estágio profundo para melhorar a solução espacial e temporal de mapas de precipitação malcriada

Precipitações fortes podem originar desastres naturais, porquê inundações ou deslizamentos de terreno. Os modelos climáticos globais são necessários para prever a frequência destes eventos extremos, que se espera que mudem porquê resultado das alterações climáticas. Pesquisadores do Instituto de Tecnologia de Karlsruhe (KIT) desenvolveram agora um primeiro método fundamentado em lucidez sintético (IA), por meio do qual a precisão dos campos de precipitação malcriada gerados por modelos climáticos globais pode ser aumentada.

Os pesquisadores conseguiram melhorar a solução espacial dos campos de precipitação de 32 para dois quilômetros e a solução temporal de uma hora para 10 minutos. Esta solução mais elevada é necessária para prever melhor a ocorrência mais frequente de fortes precipitações locais e os desastres naturais resultantes no porvir. O estudo está publicado na revista Ciências da Terreno e do Espaço.

Muitos desastres naturais, porquê inundações ou deslizamentos de terreno, são causados ​​diretamente por precipitações extremas. Os pesquisadores esperam que o aumento das temperaturas médias faça com que os eventos extremos de precipitação aumentem ainda mais. Para se apropriar a um clima em mudança e preparar-se para catástrofes numa temporada precoce, são indispensáveis ​​dados locais e globais precisos sobre o ciclo da chuva atual e porvir.

“A precipitação é altamente variável no espaço e no tempo e, portanto, difícil de prever, em pessoal a nível lugar”, diz o Dr. Christian Chwala da Repartição de Investigação Ambiental Atmosférica do Instituto de Meteorologia e Investigação Climática do KIT (IMK-IFU). Campus Alpine do KIT em Garmisch-Partenkirchen.” Por esta razão, queremos melhorar a solução dos campos de precipitação gerados, por exemplo, por modelos climáticos globais e melhorar a sua classificação em relação a possíveis ameaças, porquê inundações.”

Maior solução para modelos climáticos regionais mais precisos

Os modelos climáticos globais agora utilizados baseiam-se numa grelha que não é suficientemente fina para apresentar com precisão a versatilidade da precipitação. Mapas de precipitação altamente resolvidos só podem ser produzidos com modelos computacionalmente caros e, portanto, limitados espacial ou temporalmente.

“Por esta razão, desenvolvemos uma rede neural generativa baseada em IA, chamada GAN, e a treinamos com campos de precipitação de radar de subida solução. Dessa forma, o GAN aprende porquê gerar campos de precipitação realistas e efluir sua sequência temporal de forma malcriada dados resolvidos”, diz Luca Glawion da IMK-IFU.

“A rede é capaz de gerar filmes de precipitação por radar altamente resolvidos a partir de mapas com solução muito malcriada.” Esses mapas de radar refinados não unicamente mostram porquê as células pluviais se desenvolvem e se movem, mas também reconstroem com precisão as estatísticas locais de chuva e a correspondente distribuição de valores extremos.

“Nosso método serve de base para aumentar a solução de campos de precipitação de granulação grossa, de modo que a subida versatilidade espacial e temporal da precipitação possa ser reproduzida adequadamente e os efeitos locais possam ser estudados”, diz Julius Polz do IMK-IFU.

“Nosso método de aprendizagem profunda é mais rápido em várias ordens de magnitude do que o operação de campos de precipitação altamente resolvidos com modelos meteorológicos numéricos geralmente aplicados para refinar regionalmente dados de modelos climáticos globais.”

Os pesquisadores destacam que seu método também gera um conjunto de diferentes campos potenciais de precipitação. Isto é importante, pois existe uma infinidade de soluções altamente resolvidas fisicamente plausíveis para cada campo de precipitação grosseiramente resolvido. Semelhante a uma previsão meteorológica, um conjunto permite uma preceito mais precisa da incerteza associada.

Maior solução para melhores previsões sob as alterações climáticas

Os resultados mostram que o padrão e a metodologia de IA desenvolvidos pelos pesquisadores permitirão o uso porvir de redes neurais para melhorar a solução espacial e temporal da precipitação calculada por modelos climáticos. Isto permitirá uma estudo mais precisa dos impactos e da evolução da precipitação num clima em mudança.

“Numa próxima lanço, aplicaremos o método a simulações climáticas globais que transferem situações climáticas específicas em grande graduação para um mundo porvir com um clima desfigurado, por exemplo, para o ano de 2100. A maior solução dos eventos de precipitação simulados com o nosso método permitirá uma melhor estimativa dos impactos que as condições climáticas que causaram a inundação do rio Ahr em 2021 teriam num mundo mais quente em 2 graus”, explica Glawion. Esta informação é de valor decisiva para desenvolver métodos de adaptação climática.