Leveraging Teleconnections with Physics-Informed Graph Attention Networks for Long-Range Extreme Rainfall Forecasting in Thailand

Resumo Técnico: Previsão de Chuvas Extremas de Longo Prazo na Tailândia via GATs Informados por Física e Teleconexões

1. O Problema

A previsão precisa de eventos de precipitação extrema é um desafio crítico na climatologia devido à natureza não linear e complexa do sistema terrestre. Os modelos tradicionais de Previsão Numérica de Tempo (NWP), como o SEAS5 do ECMWF, embora robustos, são computacionalmente caros e podem impor suposições mecanísticas rígidas. Por outro lado, modelos de Aprendizado de Máquina (ML) convencionais frequentemente atuam como "caixas-pretas" (falta de interpretabilidade) e tendem a subestimar valores extremos (outliers) devido à natureza das funções de perda que buscam minimizar o erro médio, negligenciando as caudas das distribuições de probabilidade.

2. Metodologia Proposta

Os autores propõem uma abordagem híbrida que combina a flexibilidade do aprendizado profundo com o conhecimento físico da meteorologia. A metodologia divide-se em três pilares principais:

• GAT-detrend (Graph Attention Network com Detrending):
  • Estrutura de Grafo: As estações de medição são representadas como nós em um grafo. A conectividade (arestas) é definida por métodos estatísticos de teleconexão (Correlação de Pearson e Causalidade de Granger) para capturar relações espaciais de longo alcance.
  • Informação Física (Physics-Informed): As arestas do grafo não são apenas distâncias, mas incorporam características iniciais derivadas do Modelo Linear de Smith para precipitação orográfica. Isso permite que o modelo entenda como o relevo e os componentes de vento (U e V) influenciam a chuva.
  • Tratamento de Não-Estacionaridade: Utiliza uma técnica de detrending (remoção de tendência) e Layer Normalization para lidar com séries temporais não estacionárias, além de embeddings de estação para codificar a identidade de cada local.
• Agrupamento Hierárquico (Clustering): Para lidar com a heterogeneidade climática da Tailândia, as estações são agrupadas em 12 clusters espaciais, permitindo que modelos específicos sejam treinados para diferentes regimes de monções.
• Spatial Season-aware GPD (Generalized Pareto Distribution): Para corrigir a subestimação de extremos, os autores utilizam a Teoria de Valores Extremos (EVT). Eles aplicam o método Peak-Over-Threshold (POT) usando uma distribuição de Pareto Generalizada que é sensível tanto à localização espacial quanto à sazonalidade, mapeando os valores previstos pelo ML para a distribuição real das caudas de precipitação extrema.

3. Principais Contribuições

1. Modelo Híbrido Interpretável: O uso de mecanismos de atenção (GAT) permite identificar quais índices climáticos (como ENSO, PDO, MJO) têm maior influência em cada região, oferecendo transparência sobre os drivers climáticos.
2. Integração de Física em Grafos: A incorporação da física de precipitação orográfica diretamente nas características das arestas do grafo.
3. Correção de Extremos Sazonal: O método inovador de mapeamento GPD que adapta a correção de viés de acordo com a estação do ano e a localização geográfica.
4. Sistema Operacional de Alta Resolução: Desenvolvimento de um fluxo de trabalho capaz de gerar mapas de previsão de alta resolução para suporte à gestão de recursos hídricos.

4. Resultados

• Desempenho Superior: O modelo GAT-detrend superou baselines estabelecidos (LSTM, Wavelet-LSTM, GC-LSTM e EvolveGCN) na maioria dos clusters.
• Precisão em Extremos: A inclusão do mapeamento GPD aumentou a precisão em cerca de 8% em comparação ao modelo sem a correção de cauda. Nos clusters do sul da Tailândia (regiões mais propensas a extremos), o ganho de precisão foi significativamente maior (até 16% superior ao LSTM).
• Redução de Erro: Houve uma redução substancial no RMSE (Erro Quadrático Médio) e uma melhoria no NSE (Eficiência de Nash-Sutcliffe), indicando uma correspondência muito mais fiel entre as previsões e as observações reais.
• Comparação com SEAS5: Em aplicações de mundo real (previsões para 2025), o sistema proposto apresentou um RMSE médio inferior ao do modelo operacional SEAS5 do ECMWF e uma precisão média de 79,3% contra 72,1% do SEAS5.

5. Significância

O trabalho demonstra que a integração de conhecimento de domínio (física) com arquiteturas de grafos avançadas resolve dois problemas fundamentais do ML na meteorologia: a falta de interpretabilidade e a incapacidade de prever eventos extremos. A aplicação prática oferece uma ferramenta de alta resolução para gestores de água e agricultores, permitindo uma tomada de decisão mais informada diante das mudanças climáticas e da intensificação de eventos de precipitação severa.