Resumo Técnico: Quantificação de Incerteza Escalável para Previsão de Eventos Climáticos Extremos via Kernels de Tangente Neural Empíricos

1. Definição do Problema

Modelos de previsão meteorológica baseados em deep learning (ex: FourCastNetV2, Pangu-Weather, Aurora, AIFS) alcançaram precisão comparável aos sistemas tradicionais de previsão numérica de tempo (NWP), operando com ordens de magnitude de velocidade superior. No entanto, esses modelos produzem predominantemente previsões determinísticas pontuais que carecem de estimativas de incerteza calibradas. Essa lacuna é crítica para a tomada de decisões de alto risco durante eventos climáticos extremos (ex: ciclones tropicais, inundações), onde compreender a confiabilidade de uma previsão é tão importante quanto a própria previsão.

Métodos existentes de quantificação de incerteza (UQ) enfrentam barreiras significativas quando aplicados a modelos de fundação com bilhões de parâmetros:

• Ensembles Profundos (Deep Ensembles): Computacionalmente proibitivos devido à necessidade de treinar múltiplas cópias de modelos massivos.
• Métodos Bayesianos: Exigem modificações arquiteturais e incorrem em sobrecarga substancial de memória e computação.
• Predição Conformal (Conformal Prediction): Fornece garantias de cobertura livres de distribuição, mas produz larguras de intervalo uniformes que não se correlacionam com os erros reais de previsão ou com a severidade do evento, falhando em distinguir eventos extremos de condições rotineiras.

O artigo aborda a necessidade de um método de UQ pós-hoc escalável, que não exija retreinamento, funcione com checkpoints pré-treinados e produza intervalos de incerteza adaptáveis que escalem com a severidade do evento.

2. Metodologia: Estrutura NTK-UQ

A estrutura proposta, Quantificação de Incerteza baseada em Kernel de Tangente Neural (NTK-UQ), trata as características da última camada de um modelo meteorológico pré-treinado e congelado como um Kernel de Tangente Neural (NTK) empírico. Sob a correspondência última-camada NTK–GP (Processo Gaussiano), o modelo é visto como um GP onde o kernel é definido pelas representações de características aprendidas.

A metodologia consiste em três fases:

2.1 Extração de Características da Última Camada

Para um modelo pré-treinado $f_\theta = g_\psi \circ \phi_\omega$, o método extrai as características da última camada $\phi(x)$ aprendidas a partir de décadas de dados de reanálise ERA5. Essas características codificam a estrutura atmosférica fisicamente significativa. Para mapas de características espaciais, utiliza-se a agregação multiestatística (média, desvio padrão, mínimo, máximo, percentis) para criar vetores de características de dimensão fixa, independentemente da resolução espacial.

2.2 Decomposição de Kernel e Construção do Posterior GP

O kernel empírico $K(x, x') = \phi(x)^\top \phi(x')$ é construído. Para tornar a variância do posterior GP computacionalmente tratável para grandes conjuntos de calibração, a matriz de características centralizada é decomposta. O artigo compara duas estratégias de decomposição:

• Decomposição em Valores Singulares (SVD): Captura direções ortogonais de máxima variância (estatísticas de segunda ordem).
• Análise de Componentes Independentes (ICA): Explora estatísticas de ordem superior (curtose, negentropia) para isolar fontes estatisticamente independentes.

A variância preditiva $\sigma^2(x^*)$ é calculada usando a fórmula do posterior GP:
$$\sigma^2(x^*) = K(x^*, x^*) + \sigma_n^2 - k_*^\top (K + \sigma_n^2 I)^{-1} k_*$$
onde o termo de correção depende da similaridade da entrada de teste com a distribuição de calibração no espaço de características.

2.3 Regra de Seleção de Decomposição

O artigo propõe uma regra baseada em dados (Algoritmo 1) para selecionar entre SVD e ICA com base na razão de concentração do espectro de autovalores ($\rho = \lambda_1 / \sum \lambda_j$):

• Espectro Concentrado ($\rho > 0.8$): Típico de operadores espectrais (ex: SFNO). O SVD é preferido com truncamento agressivo de rank ($k \le 10$) para evitar o colapso da variância.
• Espectro Distribuído ($\rho < 0.5$): Típico de modelos baseados em atenção ou grafos. O ICA é preferido para explorar estruturas não-Gaussianas e de cauda pesada inerentes ao clima extremo.
• Intermediário: Ambos os métodos são avaliados em uma divisão de validação.

2.4 Calibração Pós-Hoc

As incertezas brutas do NTK são escalonadas via um fator por variável e por tempo de antecedência (lead-time) $\alpha$ (aprendido via busca binária) para atingir um nível de cobertura alvo (ex: 90%). Isso garante que os intervalos de previsão sejam calibrados em relação à verdade de campo.

3. Insights Teóricos

O artigo fornece análise teórica explicando por que a qualidade da UQ é dependente da arquitetura:

• Colapso da Variância (Proposição 1): Se o rank de truncamento $k$ se aproximar do rank efetivo do espaço de características, o termo de correção do GP consumirá quase toda a variância a priori. Isso destrói a discriminação entre eventos extremos e condições rotineiras. O artigo estabelece um critério diagnóstico $R_k = C_k/P < 0.9$ para evitar esse colapso, observando que arquiteturas com espectros concentrados exigem truncamento agressivo.
• Discriminação Não-Gaussiana (Proposição 2): Eventos climáticos extremos exibem distribuições de cauda pesada e não-Gaussianas. Enquanto o SVD captura apenas a variância de segunda ordem, o ICA explora estatísticas de ordem superior (curtose) para isolar assinaturas de eventos extremos raros. Isso permite que o ICA produza estimativas de incerteza adaptáveis que escalam com a severidade do evento, uma capacidade que o SVD não possui para características de cauda pesada.

4. Resultados Experimentais

A estrutura foi avaliada em quatro modelos meteorológicos de IA diversos (FourCastNetV2, Pangu-Weather, Aurora, AIFS) utilizando 100 eventos climáticos extremos do banco de dados EM-DAT (2021), incluindo ciclones tropicais, inundações e ondas de calor.

• Cobertura: Todos os modelos atingiram a cobertura alvo de 90% (89–91%) após o escalonamento pós-hoc.
• Desempenho de Decomposição:
  • ICA alcançou cobertura adequada e menor CRPS (Continuous Ranked Probability Score) para três modelos (AIFS, Aurora, FourCastNetV2). Produziu intervalos adaptáveis com alto coeficiente de variação (CV = 0.07–1.81), distinguindo com sucesso ciclones tropicais de clima rotineiro.
  • SVD falhou em atingir a cobertura para o Aurora (58.1%) e produziu intervalos mais uniformes (CV = 0.01–0.49) que falharam em discriminar a severidade dos eventos.
  • Pangu-Weather foi uma exceção onde o SVD satisfez a cobertura enquanto o ICA falhou, embora ambos tenham exibido instabilidades numéricas.
• Comparação com Predição Conformal: O NTK-UQ (usando a decomposição ideal por modelo) alcançou intervalos de previsão 31–37% mais estreitos com 90% de cobertura em comparação com a predição conformal de divisão (split conformal prediction). Crucialmente, ao contrário da predição conformal que produz intervalos uniformes por construção, o NTK-UQ produz intervalos adaptáveis que escalam com a severidade do evento climático.
• Incerteza Espacial: Para modelos com características espacialmente resolvidas (ex: AIFS), o ICA permitiu mapas de incerteza espacialmente variáveis que se correlacionavam com concentrações de erro de previsão, permitendo alertas direcionados.

5. Significância e Alegações

O artigo alega a seguinte significância:

1. Escalabilidade: O NTK-UQ não requer retreinamento de modelo ou mudanças arquiteturais, tornando-o aplicável a qualquer checkpoint determinístico pré-treinado. A inferência adiciona um overhead mínimo (um único produto matriz-vetor).
2. Discriminação Adaptável: Ao contrário da predição conformal, o NTK-UQ produz intervalos de incerteza que se adaptam à severidade do evento climático, fornecendo discriminação acionável entre condições rotineiras e extremas.
3. Design Consciente da Arquitetura: Este trabalho estabelece que a qualidade da UQ não é universal, mas depende da interação entre a arquitetura neural (propriedades do espectro de autovalores) e o método de decomposição. Fornece um diagnóstico preditivo (concentração do espectro de autovalores) para selecionar a estratégia de UQ apropriada sem experimentação exaustiva.
4. Utilidade Operacional: A estrutura permite que agências meteorológicas com recursos limitados adicionem estimativas de incerteza calibradas a modelos de alto desempenho existentes, reduzindo a barreira para previsões confiáveis para a preparação contra desastres.

Os autores observam limitações, incluindo a dependência de aproximações (a correspondência última-camada NTK-GP mantém-se rigorosamente apenas em largura infinita) e o fato de a avaliação estar limitada a um único ano fora da distribuição (2021). No entanto, os resultados empíricos validam consistentemente as previsões teóricas através de diversas arquiteturas.