Tsinghua propõe UniCM, modelagem unificada de múltiplos modos climáticos, melhorando o nível de previsão climática

Autor e fonte do artigo: 36Kr

【Introdução】 A equipe da Universidade Tsinghua propôs o modelo UniCM, que aprende por meio de um framework unificado as interações entre múltiplos modos climáticos, ajudando a IA a compreender melhor as relações complexas do sistema climático global. Essa inovação não apenas melhora a precisão e a eficácia das previsões climáticas, mas também transforma a IA em uma ferramenta para explorar mecanismos climáticos, com grande relevância para áreas como prevenção de desastres e agricultura.

Quando se menciona previsão climática, o fenômeno mais familiar é o El Niño (ENSO).

No entanto, o clima global não é determinado por um único fenômeno climático. Além do ENSO, diversos modos climáticos, como o Dipolo do Oceano Índico (IOD), o Modo da Tropical Atlântico Norte (TNA) e o Modo Meridional do Pacífico Norte (NPMM), coexistem e formam um sistema global dinamicamente acoplado por meio de teleconexões transoceânicas e interações oceano-atmosfera.

Por muito tempo, a maioria dos métodos de previsão concentrou-se em um único modo climático ou estudou apenas as relações entre poucos modos, dificultando a representação dos complexos processos de interação não linear no sistema climático global. O UniCM, por sua vez, incorpora múltiplos modos climáticos-chave em um único quadro unificado, tratando o sistema oceânico-atmosférico global como um todo interconectado.

Recentemente, a equipe do professor Li Yong do Departamento de Engenharia Eletrônica da Universidade Tsinghua publicou no periódico Nature Machine Intelligence um artigo de pesquisa intitulado “Learning the coupled dynamics of global climate modes”, apresentando o modelo unificado de previsão de modos climáticos globais UniCM (Unified Climate Model).

Link do artigo: https://www.nature.com/articles/s42256-026-01245-5

A equipe de pesquisa descobriu que a previsibilidade do sistema climático não vem apenas dos próprios fenômenos climáticos individuais, mas principalmente das relações de acoplamento de longo prazo entre múltiplos modos climáticos. Ao aprender essas dinâmicas de acoplamento, o UniCM libera a "previsibilidade emergente" (Emergent Predictability), difícil de ser aproveitada por métodos tradicionais.

Esta pesquisa supera a abordagem tradicional de previsão climática "unimodal e previsão separada", pela primeira vez aprendendo de forma unificada as complexas relações dinâmicas entre múltiplos modos climáticos oceânicos-atmosféricos a partir da perspectiva de um sistema acoplado global, oferecendo um novo paradigma de pesquisa para previsão climática de longo prazo, alerta de eventos climáticos extremos e descobertas científicas climáticas impulsionadas por IA.

Contexto da pesquisa

Nos últimos anos, a inteligência artificial registrou rápido desenvolvimento no campo da previsão do tempo. Vários modelos de IA já conseguem realizar previsões meteorológicas de alta precisão em escalas de alguns dias a algumas semanas.

No entanto, as previsões climáticas focam em questões em escalas de tempo mais longas: como o sistema climático global evoluirá nos próximos meses, anos ou até mais tempo? Quais regiões poderão experimentar eventos extremos, como secas, inundações e ondas de calor? Essas questões envolvem interações complexas entre múltiplos sistemas oceânicos e atmosféricos em escalas diferentes.

Métodos atuais frequentemente tratam modos climáticos como objetos independentes, enquanto o sistema climático do mundo real é uma rede complexa altamente acoplada. Como fazer com que a IA não apenas "saiba prever", mas também ajude os cientistas a compreender as relações de acoplamento de longo prazo entre esses modos, torna-se um desafio importante na área de IA para a ciência.

Modelo Climático de Visão Dupla

Para resolver esse problema, a equipe de pesquisa projetou a arquitetura UniCM de dois ramos.

O modelo contém dois módulos principais:

1. Globalformer: Aprender a evolução dos campos físicos locais

Globalformer lida com variáveis físicas-chave, como temperatura da superfície do mar (SST), tensão do vento, profundidade da termoclina e temperatura do oceano superior, aprendendo os padrões de evolução espacial e temporal do sistema climático a partir de campos climáticos de alta resolução.

2. Modeformer: Aprender as relações entre os modos climáticos

Modeformer se concentra em sete importantes modos climáticos: ENSO, IOD, TNA, NPMM, SPMM, IOB e SIOD, aprendendo suas interações não lineares e processos de evolução conjunta.

Mais importante ainda, o UniCM estabelece um mecanismo de acoplamento bidirecional: por um lado, os campos físicos locais geram modos climáticos em larga escala; por outro, os modos climáticos formados, por sua vez, influenciam a evolução futura dos campos físicos locais. A equipe de pesquisa denominou esse mecanismo de “mode-to-patch guidance”, ou seja, utiliza o estado climático em larga escala para orientar previsões locais, realizando uma modelagem em闭环 de local para global e, em seguida, com retorno global para local.

ENSO é considerado um dos mais importantes modos climáticos globais e também uma das tarefas mais desafiadoras na previsão climática de longo prazo.

Os resultados da pesquisa mostram que, na verificação dos dados observacionais de 1980 a 2023, o UniCM superou consistentemente diversos modelos de referência representativos dentro de uma janela de previsão de 24 meses. O modelo consegue estender o prazo antecipado de previsão eficaz do ENSO para 19 meses, enquanto modelos avançados anteriores geralmente alcançavam apenas cerca de 15 a 16 meses.

Ao mesmo tempo, o UniCM também demonstra vantagens claras no problema conhecido como "barreira de previsibilidade da primavera", que há muito tempo afeta o campo da previsão climática. O modelo mantém alta habilidade preditiva ao atravessar a primavera no hemisfério norte, estendendo a capacidade de previsão eficaz para cerca de 14 meses.

Além disso, o UniCM reproduziu com sucesso o evento super El Niño de 1997–1998 e o evento de “tripla La Niña” consecutiva de 2020–2023, capturando com precisão a ocorrência, o desenvolvimento e o processo de atenuação desses eventos extremos históricos.

UniCM não apenas se destaca na previsão do ENSO, mas também consegue prever simultaneamente, no mesmo framework, sete importantes modos climáticos, incluindo ENSO, IOD, IOB, SIOD, SPMM, NPMM e TNA.

Os resultados demonstram que o modelo supera os métodos representativos atuais em previsões em múltiplos modos climáticos. Em particular, para modos não ENSO mais difíceis de prever, a melhoria média na habilidade preditiva supera 22%; o período antecipado eficaz para prever o IOD atinge cerca de 7 meses.

Mais importante, o UniCM consegue reconstruir com precisão as relações de atraso reais entre diferentes modos climáticos. Por exemplo, ele reproduziu com sucesso a ligação física em que o NPMM lidera o ENSO em cerca de 4 meses, bem como as estruturas de acoplamento entre vários modos climáticos transoceânicos.

Isso indica que o modelo aprendeu não apenas correlações estatísticas simples, mas sim mecanismos de acoplamento físico reais presentes no sistema climático global.

Além da capacidade de previsão, o UniCM possui forte explicabilidade.

A equipe de pesquisa descobriu, por meio da análise do mecanismo de atenção interno do modelo, que, antes de eventos significativos de ENSO, o modelo automaticamente se concentra em regiões e relações de modos-chave com significado físico.

Por exemplo, antes do evento El Niño de 1997, o modelo identificou o papel preditivo importante do NPMM; em alguns eventos climáticos complexos, descobriu-se que o TNA pode desempenhar um papel-chave como ponto de conexão. Essas descobertas são altamente consistentes com os resultados de pesquisas climáticas físicas existentes.

Isso significa que o UniCM não apenas pode prever estados climáticos futuros, mas também ajudar os cientistas a descobrir mecanismos potenciais e formular novas hipóteses científicas, tornando-se uma ferramenta essencial para a pesquisa climática.

Aplicações futuras e perspectivas de desenvolvimento

No contexto das mudanças climáticas globais, a importância das previsões climáticas de longo prazo está se tornando cada vez mais evidente. Previsões climáticas mais precisas e de maior duração servirão diretamente aos setores de produção agrícola, gestão de recursos hídricos, planejamento energético, desenvolvimento da pesca e redução de desastres.

A equipe de pesquisa acredita que o UniCM não apenas representa um novo modelo de previsão climática, mas também uma abordagem unificada para modelagem de sistemas complexos. No futuro, esse framework tem potencial para ser expandido para estudos sobre oscilações intra-sazonais, mudanças climáticas interdecadasis e evolução de modos climáticos sob o cenário de aquecimento global, além de ser aplicado a outros sistemas complexos com características de acoplamento bidirecional entre processos locais e estruturas globais.

Da "previsão do tempo" à "compreensão do clima", e depois à "descoberta de padrões", a UniCM demonstra novas possibilidades da inteligência artificial na ciência dos sistemas terrestres: as informações preditivas verdadeiramente importantes talvez não estejam escondidas em um único indicador climático, mas sim nas relações acopladas que se evoluem continuamente em todo o sistema climático.

Referência: https://www.nature.com/articles/s42256-026-01245-5