Resumo Técnico: PEAR - Previsão Meteorológica de Área Igual na Esfera

Declaração do Problema

A inteligência artificial avançou rapidamente na previsão meteorológica, com modelos como Pangu-Weather e GraphCast superando métodos numéricos tradicionais em previsões de médio alcance global. No entanto, uma limitação crítica persiste: a maioria dos modelos baseados em dados depende de discretizações equiangulares da esfera (latitude-longitude ou grades Gaussianas). Essas grades sofrem de resolução não uniforme, onde as células da grade tornam-se significativamente menores perto dos polos em comparação com o equador. Essa distorção geométrica introduz vieses não físicos e artefatos em modelos baseados em aprendizado, pois a densidade de amostragem varia arbitrariamente em todo o globo.

Embora a grade Hierarchical Equal Area iso-Latitude Pixelization (HEALPix) ofereça uma solução ao garantir que cada pixel cubra exatamente a mesma área de superfície, as tentativas anteriores de utilizá-la na previsão meteorológica foram limitadas. Alguns modelos projetam dados em grades planas, enquanto outros usam HEALPix apenas para pré-processamento, exigindo codificadores/decodificadores aprendíveis para mapear entre representações equiangulares e HEALPix. Este artigo aborda a necessidade de um modelo que opere nativamente na grade HEALPix para eliminar esses vieses não físicos e alinhar-se às simetrias inerentes da esfera.

Metodologia

Os autores propõem o PEAR (Pangu Equal Area), um modelo de previsão meteorológica baseado em transformer projetado para operar inteiramente na grade HEALPix sem projeções intermediárias.

Dados e Configuração

• Conjunto de Dados: O modelo é treinado no conjunto de dados ERA5-Lite, um subconjunto dos dados completos de reanálise ERA5 (2007–2017), reamostrado para a grade HEALPix com $n_{side} = 64$. Essa resolução satura a resolução angular dos dados ERA5 equiangulares disponíveis.
• Entrada/Saída: A tarefa é um problema de regressão que prevê o estado meteorológico global em $t + \Delta t$ (24 horas) dado o estado em $t$. As entradas incluem variáveis de superfície (vento, temperatura, pressão) e variáveis da alta atmosfera (vento, temperatura, umidade, geopotencial) em 13 níveis verticais.
• Arquitetura: O PEAR utiliza uma arquitetura de transformer volumétrico adaptada para o domínio esférico:
  • Embebedamento de Patch: Usa convoluções 1D e 2D para embebedar, respectivamente, variáveis de superfície e da alta atmosfera.
  • Atenção Janelada: Aproveita a estrutura hierárquica aninhada do HEALPix para partitionar a esfera em janelas contíguas. Diferentemente do Pangu-Weather, o PEAR usa uma embebedamento de posição relativa aprendido simplificado compartilhado entre janelas, capitalizando a natureza de área igual da grade.
  • Janelas Deslocadas: Para propagar informações entre janelas disjuntas, o modelo emprega uma estratégia de deslocamento em anel (adaptada do HEAL-SWIN) ao longo das direções esféricas e um deslocamento simples na direção vertical.
  • Atenção Mascarada: Devido à natureza cíclica do deslocamento em anel e às regiões polares, um mecanismo de mascaramento é implementado para prevenir atenção entre voxels espacialmente disjuntos (por exemplo, aqueles que saltam do Polo Norte para o Polo Sul).
  • Subamostragem/Superamostragem: A estrutura hierárquica do HEALPix permite subamostragem eficiente (fundindo 4 pixels vizinhos) e superamostragem (dividindo um pixel em quatro) via redimensionamento de tensores, evitando interpolação complexa.

Contribuições Principais

1. Modelagem Nativa HEALPix: O PEAR é o primeiro modelo de previsão meteorológica de aprendizado de máquina a operar inteiramente na grade HEALPix, eliminando a necessidade de pesos espaciais em funções de perda e removendo vieses não físicos associados a grades equiangulares.
2. Eficiência Arquitetônica: O modelo alcança nenhum custo computacional adicional em comparação com um modelo equivalente rodando em uma grade equiangular tradicional. A estrutura hierárquica do HEALPix permite implementação eficiente de subamostragem e atenção janelada.
3. Superioridade de Desempenho: O PEAR supera seu equivalente equiangular (Pangu) e outras bases de estado da arte (GraphCast, FengWu) em várias variáveis e horizontes de previsão, apesar de ter menos parâmetros treináveis que o Pangu.
4. Verificação de Equivariância: Os autores verificam que a amostragem diária (ERA5-Lite) não degrada as propriedades de equivariância aprendidas pelo modelo sob rotação, confirmando a robustez da abordagem.
5. Emulação Climática: A arquitetura demonstra desempenho competitivo na emulação de Modelos do Sistema Terrestre (ESMs) em múltiplos modelos climáticos, superando bases UNet na previsão de precipitação.

Resultados Experimentais

• Precisão da Previsão: Avaliado no conjunto de dados ERA5-Lite com horizontes de previsão de até 10 dias, o PEAR consistentemente alcança pontuações mais altas no Coeficiente de Correlação de Anomalia (ACC) que FengWu, GraphCast e Pangu em variáveis de superfície e de nível superior.
  • Por exemplo, em um tempo de antecedência de 9 dias para temperatura de superfície (t2m), o PEAR alcança um ACC de 0,439, superando o GraphCast (0,384) e o FengWu (0,350).
• Eficiência: O PEAR possui 4,3 milhões de parâmetros treináveis, comparável ao GraphCast, mas significativamente menor que o Pangu (11,3M) e o FengWu (14,3M). O tempo de inferência é de 17 ms, mais rápido que o Pangu (25 ms), GraphCast (27 ms) e FengWu (98 ms).
• Equivariância: Experimentos comparando modelos treinados em intervalos de amostragem de 24 horas versus 2 horas mostram que o conjunto de dados ERA5-Lite de 24 horas é suficiente para aprender equivariância rotacional. Os padrões de erro alinham-se com a simetria da grade HEALPix (atingindo o pico em rotações de 45°), confirmando a influência estrutural da grade.
• Modelagem Climática: Em tarefas de emulação de modelos climáticos usando o conjunto de dados ClimateSet, o PEAR (4,3M de parâmetros) supera uma base UNet (18,3M de parâmetros) em 13 de 15 modelos climáticos para RMSE geral e alcança o menor RMSE de precipitação em 8 de 15 modelos.

Significado e Alegações

O artigo afirma que a grade HEALPix é a grade nativa fisicamente apropriada para previsão meteorológica baseada em aprendizado. Ao remover as distorções geométricas das grades equiangulares, o PEAR demonstra que a modelagem de área igual leva a desempenho preditivo superior sem sacrificar a eficiência computacional.

Os autores destacam que, à medida que fontes de dados de próxima geração (como a iniciativa Destination Earth do ECMWF) avançam em direção a dados nativos HEALPix de alta resolução, modelos como o PEAR são essenciais para aproveitar esses dados de forma eficiente. O trabalho sugere que essa abordagem poderia melhorar a previsão de eventos meteorológicos extremos e fornece uma base para pesquisas futuras sobre modelos climáticos globais mais precisos e livres de vieses. Os autores permanecem modestos, reconhecendo limitações como o uso do ERA5-Lite (em vez do ERA5 completo) devido a restrições de computação e as limitações inerentes de modelos baseados em dados quanto à estabilidade de longo prazo e leis de conservação física.