Pesquisa desenvolve técnica para representar o tempo em redes neurais, lidando com a irregularidade dos dados e aprimorando as previsões
Sabrina Oliveira Publicado em 08/05/2024, às 10h26
Prever eventos climáticos extremos é crucial para a preparação e proteção de áreas suscetíveis - uma necessidade ainda maior diante do atual cenário de mudanças climáticas. Na cidade de Santos, no litoral paulista, têm-se revelado estudos de caso relevantes, dada a sua batalha contra as marés tempestuosas, conhecidas localmente como "ressacas", as quais ameaçam a infraestrutura e os ecossistemas locais.
Uma pesquisa, focada na realidade de Santos, empregou ferramentas avançadas de aprendizado de máquina para aprimorar os sistemas de previsão de eventos climáticos extremos. Os resultados desse trabalho foram publicados na Proceedings of the AAAI Conference on Artificial Intelligence.
A pesquisa, que envolveu uma equipe numerosa de cientistas, foi liderada pela Professora Titular da Escola Politécnica da Universidade de São Paulo (Poli-USP), Anna Helena Reali Costa, tendo como primeiro autor o pesquisador Marcel Barros, do Departamento de Engenharia de Computação e Sistemas Digitais da Poli-USP.
Os modelos tradicionais de previsão de marés e ondas baseiam-se em equações físicas dos fenômenos envolvidos, contemplando variáveis como relevo, maré astronômica, padrões de vento, correntes marítimas e salinidade da água, entre outros fatores. Embora eficazes em muitos aspectos, esses modelos são complexos e dependem de várias suposições simplificadoras. Além disso, a incorporação de novos dados medidos para melhorar as previsões muitas vezes é inviável.
Todavia, os métodos de aprendizado de máquina têm ganhado destaque por sua capacidade de identificar padrões em dados e extrapolar para situações novas. Entretanto, esses métodos geralmente demandam um grande número de exemplos para tarefas complexas como a previsão de eventos climáticos extremos.
"Nosso estudo combina esses dois enfoques ao desenvolver um modelo de aprendizado de máquina que utiliza os modelos físicos como ponto de partida, mas os aprimora com dados medidos. Essa abordagem é conhecida como 'Aprendizado de Máquina Informado pela Física' (Physics-Informed Machine Learning, em inglês, ou PIML)", explica Barros.
Ele destaca que a integração harmoniosa dessas duas fontes de informação é crucial para aprimorar as previsões, mas a utilização de dados de sensores apresenta desafios técnicos significativos, especialmente devido à irregularidade desses dados.
"Para lidar com a irregularidade dos dados, desenvolvemos uma técnica inovadora para representar o tempo em redes neurais. Essa representação permite que o modelo seja informado sobre a ausência e a extensão dos dados faltantes, incorporando-os às previsões de marés e ondas", disse Barros.