Pesquisadores da Universidade de Rice, no Texas, desenvolveram um sistema de deep learning (aprendizagem profunda) capaz de prever a ocorrência de ondas de calor e tempestades.

A tecnologia foi treinada a partir da homologação de milhares de pares de mapas que indicam temperatura e a pressão do ar de determinada área. Com isso, o sistema absorveu as características de ondas de frio e de calor que podem levar a condições climáticas extremas.

Depois do treinamento, os pesquisadores apresentaram novos mapas que, até então, eram desconhecidos ao sistema e solicitaram à tecnologia previsões de cinco ocorrências de fenômenos extremos. Ela foi capaz de constatar um índice de 85% de acerto.

Para fazer as previsões, a tecnologia utiliza uma rede neural em cápsulas. Esse tipo de sistema de aprendizagem de máquinas pode reconhecer as posições relativas dos padrões de pressão – uma indicação chave de como o clima provavelmente mudará. Além disso, essas redes não demandam um tempo de treinamento muito elevado.

Reprodução

“Quando você detecta essas ondas de calor e correntes de frio, se você olhar para o mapa climático, provavelmente vai constatar comportamentos incomuns, como ondas extensas ou grandes sistemas de alta pressão que não se movem como deveriam”, disse Pedram Hassanzadeh, coautor do estudo e professor do departamento de engenharia mecânica da Universidade de Rice.

Os pesquisadores escolheram essa abordagem após observar que os métodos existentes ainda oferecem previsões pouco confiáveis no caso de eventos incomuns.

“Entendemos que isto era um problema de reconhecimento de padrões. Então, decidimos tentar reformular a previsão do tempo extremo como um problema de reconhecimento de padrões, em vez de um problema numérico”, completou Hassanzadeh.

Hassanzadeh espera que o sistema venha a ser utilizado pelos meteorologistas. Entretanto, seu próximo objetivo é estender as previsões do sistema para além de 10 dias, pois é neste ponto que os modelos tradicionais de previsão numérica do tempo baseados em computador ainda enfrentam dificuldades.

Fonte: The Next Web