Aprimorando a previsão quantitativa de precipitação com deep learning

Uma previsão de precipitação confiável e acurada é uma das demandas mais urgentes da sociedade para a meteorologia. Áreas com alta densidade populacional, como a região Leste do Estado de São Paulo (ESP), costumam sofrer perdas humanas e materias em eventos extremos de chuva. Para atender a essa demanda, esse estudo propõoe uma abordagem baseada em técnicas modernas de inteligência artificial. Os resultados estão divididos em quatro partes principais. A primeira parte trata da avaliação da precipitação diária do CHIRPS (Climate Hazards group InfraRed Precipitation with Station data) na área de estudo. Quando comparado com observações de superfície, o CHIRPS apresenta erro quadrático médio na ordem de 7 mm/dia e coeficiente de determinação de 40%. Levando em consideração a alta variabilidade espacial da chuva, os resultados foram considerados satisfatórios. A segunda parte, através do uso de dados de reanálise, investiga os padrões atmosféricos relacionados com a ocorrência de eventos extremos. Essa discussão serve para dar suporte à definição de um conjunto de variáveis preditoras e para fundamentar as interpretações físicas das soluções encontradas pelas redes neurais. A terceira e quarta partes apresentam, respectivamente, os resultados da previsão de precipitação na cidade de São Paulo e no ESP. Análises das métricas de Probabilidade de Detecção (PoD) e Razão de Alarme Falso (FAR) mostram que o desempenho das redes neurais é significativamente superior à previsão de chuva acumulada em 24 horas do GFS. Na quarta parte, o deep autoencoder é apresentado como um método não-linear de redução de dimensionalidade que permite a previsão espacial de chuva com um número reduzido de redes neurais. As variáveis preditoras mais relevantes foram analisadas com o input de vetores one-hot e two-hot, permitindo a quantificação dos padrões mais relevantes para a previsão de chuva. Uma discussão complementar compara os preditores mais relevantes com os padrões identificados na segunda parte. Essa comparação mostra que, após a etapa de treinamento, as redes neurais se comportam em acordo com a dinâmica atmosférica local. Esse resultado tem a proposta de aproximar o aprendizado de máquina e a física. A conclusão central do presente estudo é que a metodologia proposta fornece previsões confiáveis e com acurácia significativamente superior se comparada à saída de modelos numéricos, enfatizando a aplicabilidade de técnicas modernas de inteligência artificial na previsão de tempo.