Estudo sobre eventos de chuvas extremas demonstra previsão aprimorada por meio de aprendizado de máquina guiado por física

Uma equipe de pesquisa se concentrou no evento de chuva extrema de “21·7” em Henan em 2021. Ao analisar características físicas anômalas e entender vieses de previsão de vários modelos, eles aumentaram significativamente a precisão das previsões de intensidade de precipitação. Essa melhoria foi alcançada pela incorporação de métricas de otimização e restrições mais adequadas às características físicas e de dados da precipitação na função de perda da rede neural.

Especificamente, ao utilizar a média TS multilimiar não diferenciável como a função de perda e BIAS como a restrição, a equipe de pesquisa otimizou os parâmetros do modelo usando um algoritmo evolucionário imune de otimização multiobjetivo. Essa abordagem obteve resultados significativos tanto na correção contínua quase em tempo real da previsão do evento de precipitação extrema “21·7” quanto na correção baseada em sequências históricas de precipitação de longo prazo.

O modelo, por meio do aprendizado da relação entre características físicas anômalas e precipitação pesada, melhorou significativamente a intensidade das previsões de precipitação. No entanto, ajustar a distribuição de precipitação provou ser desafiador e frequentemente resultou em alarmes falsos substanciais. Isso se deve às informações em larga escala contidas na circulação anômala estável e nas características físicas durante eventos de precipitação extrema, que se alinham com os vieses de precipitação do modelo, juntamente com a escassez de amostras de precipitação extrema, levando ao uso de algoritmos com menor complexidade.

Ao empregar aprendizado de máquina para integrar múltiplas previsões de precipitação, existe o potencial de extrair as vantagens das estruturas detalhadas em cada previsão, melhorando significativamente a precisão das previsões de distribuição de precipitação. No entanto, o aumento na intensidade da precipitação permanece limitado. Integrar previsões multimodelo “boas e diferentes” com características anômalas apropriadas pode atingir um ajuste abrangente tanto da distribuição quanto da intensidade da precipitação.

Pesquisas futuras devem se concentrar em como utilizar totalmente observações de múltiplas fontes de satélites, radares e outros instrumentos para entender as características de viés e causas físicas de previsões de precipitação de múltiplos modelos. Vale a pena explorar a introdução de recursos de múltiplos modelos de dimensões mais altas e características físicas anômalas intimamente relacionadas à precipitação pesada.

O desenvolvimento de modelos de rede que representem de forma abrangente informações de vários modelos e características anômalas, alcançando assim uma integração profunda de tecnologias físicas e inteligentes, é uma direção crucial para melhorar a previsão de fortes precipitações no futuro.

O artigo foi publicado na revista Ciência China Ciências da Terra. Este estudo foi liderado pelo Professor Qi Zhong e pelo Professor Xiuping Yao do Centro de Treinamento da Administração Meteorológica da China, e pelo Engenheiro Assistente Zhicha Zhang do Observatório Meteorológico de Zhejiang, juntamente com outros membros da equipe de pesquisa.