Os modelos produzem diversas magnitudes de resposta de
precipitação ao forçamento antropogênico, em grande parte devido aos diferentes
esquemas de parametrização de processos em escala de sub-rede. Enquanto isso,
existem vários conjuntos de dados observacionais globais de precipitação
diária, desenvolvidos usando técnicas variadas e dados amostrados de forma não
homogênea no espaço e no tempo.
As tentativas anteriores de detectar a influência
humana na precipitação extrema não incorporaram a incerteza do modelo e foram
limitadas a regiões específicas e conjuntos de dados observacionais. Usando
métodos de aprendizado de máquina que podem explicar essas incertezas e
identificar a evolução temporal dos padrões espaciais, encontramos um sinal
antropogênico fisicamente interpretável que é detectável em todos os conjuntos
de dados observacionais globais. O aprendizado de máquina (machine learning)
gera com eficiência várias linhas de evidência que apoiam a detecção de um
sinal antropogênico em precipitação extrema global.
As precipitações extremas podem ter impactos devastadores na sociedade, como inundações, erosão do solo e danos agrícolas, além de causar riscos e impactos indiretos à saúde.
O aquecimento antropogênico atua intensificando o ciclo hidrológico da Terra. Esta intensificação se manifesta em parte pelo aumento da precipitação extrema como resultado de maior umidade atmosférica com aquecimento seguindo a relação Clausius-Clapeyron. No entanto, mudanças na circulação podem atuar no sentido de aumentar ou reduzir esse aumento.
As projeções futuras por modelos climáticos seguindo
cenários de mudanças climáticas mostram um aumento robusto na precipitação
extrema, globalmente e em escalas regionais. Além disso, projeta-se um aumento
na variação entre os extremos úmidos e secos, o que pode ter impactos
devastadores na sociedade. Essas mudanças na precipitação extrema podem já ter
se tornado aparentes em uma base regional.
Estudos recentes detectaram influência antropogênica
em mudanças históricas de precipitação extrema nos domínios da América do
Norte, Europa, Ásia e áreas terrestres do Hemisfério Norte como um todo. Essas
tentativas são parte de uma categoria maior de estudos conhecida como Detecção
e Atribuição (D&A). Frequentemente, eles extraem inicialmente os padrões
espaciais ou espaço-temporais da resposta do sistema climático ao forçamento
antropogênico (as chamadas impressões digitais) de um conjunto de modelos
climáticos globais (GCMs).
A projeção de observações nessas impressões digitais
permite a detecção do sinal. A presença de um sinal que pode ser
estatisticamente distinguido da variabilidade interna confirma a influência do
forçamento externo. Assim, os métodos tradicionais de D&A baseiam-se em
observações de longo prazo. No caso de precipitação extrema, os métodos
tradicionais podem ser difíceis de aplicar globalmente devido a registros
excessivamente curtos e grande incerteza observacional, refletida em vários
conjuntos de dados globais produzidos com suposições muito diferentes.
Outra dificuldade fundamental com os métodos tradicionais é que os modelos produzem uma grande propagação na resposta de precipitação extrema ao forçamento antropogênico histórico. Essa propagação, a incerteza do modelo, ocorre ao lado de grande variabilidade interna nas simulações dos modelos do período histórico. Esses dois efeitos criam uma incerteza significativa no caráter do verdadeiro sinal antropogênico. Em pesquisas anteriores, a propagação da resposta foi suprimida assumindo que a impressão digital antropogênica pode ser derivada da mudança média do conjunto na precipitação extrema. Aqui, pretendemos levar essas incertezas totalmente em conta, sem fazer suposições sobre como derivar o sinal antropogênico de dados GCM.
Métodos baseados em aprendizado de máquina para a detecção de influência antropogênica (DAI) mostraram superar a dependência de tendências e são até mesmo capazes de detectar a influência humana a partir de dados meteorológicos em um único dia. Uma rede neural artificial (ANN) é treinada para prever um proxy de forçantes externos (por exemplo, o ano dos dados) com base nos mapas espaciais da variável alvo de um conjunto de simulações GCM. (ecodebate)
Nenhum comentário:
Postar um comentário