Satélites meteorológicos podem rastrear cada movimento de uma tempestade da órbita. No entanto, os algoritmos que analisam as leituras de satélite atualmente não estimam os níveis de precipitação tão bem quanto os algoritmos alimentados por dados de radar baseados no solo. Agora, um novo estudo descobre que a IA pode ajudar a melhorar muito as estimativas baseadas em satélite.
Estimativas precisas de quanto chuva, neve e granizo caíram em uma área são importantes para refinar previsões meteorológicas, gerenciar recursos hídricos vitais e investigar as mudanças climáticas. Mas desenvolver estimativas precisas de precipitação a partir de dados brutos de satélite “não é uma tarefa fácil”, explica o coautor do estudo Haonan Chen, cientista de sensoriamento remoto na Universidade Estadual do Colorado em Fort Collins. Os satélites basicamente escaneiam o topo das nuvens em vez de detectar o que caiu na superfície. “Extrair informações de precipitação no nível da superfície a partir de medições no topo das nuvens requer modelos sofisticados que possam preencher essa lacuna”, diz ele.
No novo estudo, Chen e seus colegas analisaram dados dos Satélites Operacionais Ambientais Geoestacionários (GOES) operados pela Administração Nacional Oceânica e Atmosférica dos EUA. Os pesquisadores focaram nos satélites GOES-R, que escaneiam luz visível e infravermelha da Terra.
Os pesquisadores analisaram os dados do GOES-R usando técnicas de aprendizado profundo, que empregam redes neurais artificiais. Nesses sistemas, componentes chamados “neurônios” são alimentados com dados e cooperam para resolver um problema, como reconhecer imagens. A rede neural ajusta repetidamente as ligações entre seus neurônios e verifica se os padrões resultantes de comportamento são melhores na busca de uma solução. Com o tempo, a rede descobre quais padrões são melhores no cálculo dos resultados. Ela então adota esses padrões como padrão, imitando o processo de aprendizagem no cérebro humano.
Os aspectos de uma rede neural que mudam com a aprendizagem, como a natureza das conexões entre os neurônios, são conhecidos como seus parâmetros. Uma rede neural é chamada de “profunda” se possuir múltiplas camadas de neurônios.
Os cientistas experimentaram com uma rede neural com mais de 1,3 milhão de parâmetros. Eles a fizeram analisar dados infravermelhos do GOES-R para o sudoeste dos Estados Unidos de maio a setembro de 2018 e maio a setembro de 2019, treinando-a para obter estimativas de precipitação o mais próximo possível das estimativas de radar baseadas no solo. Eles também investigaram como seu sistema se comportou quando incorporou ou não dados do detector de raios do GOES-16.
“Graças aos servidores GPU disponíveis nos últimos anos, agora podemos analisar grandes quantidades de dados de satélite e treinar modelos complexos de aprendizado de máquina de maneira bastante eficiente”, diz Chen.
Quando testado em dados do GOES-R de maio a setembro de 2020, os pesquisadores descobriram que seu sistema de IA foi significativamente melhor em corresponder às estimativas de radar baseadas no solo do que outros algoritmos usados para analisar dados de satélite. Eles também descobriram que, quando seu modelo de IA incorporou dados de raios, ele se mostrou significativamente mais preciso na estimativa de precipitação intensa do que quando não o fez.
Embora este novo estudo tenha se concentrado no sudeste dos Estados Unidos, os satélites GOES-R cobrem o hemisfério ocidental, “então este trabalho pode ser estendido para um domínio muito maior”, diz Chen. “Na verdade, combinando os dados de satélite geoestacionário compartilhados de outros países da Ásia, podemos potencialmente criar um mapa completo de precipitação cobrindo o globo inteiro.” Isso significa que pesquisadores poderiam se beneficiar de estimativas de precipitação aumentadas por IA em lugares onde não possuem radar meteorológico baseado no solo.
Pesquisas futuras se concentrarão em testar o quão bem esses sistemas de IA podem generalizar para a análise de dados de outros locais, diz Chen. Dar aos modelos de IA ainda mais dados — como leituras sobre vento, umidade e características do terreno local — pode melhorar ainda mais suas estimativas, acrescenta ele.
Um obstáculo potencial que enfrentam é como lidar com a variabilidade em pequena escala na precipitação, frequentemente observada em terrenos complexos. “Infelizmente, os satélites muitas vezes enfrentam desafios para observar tal variabilidade”, diz Chen.