Does Feature Engineering Improve Meteorological Predictions Across Asia?

O ar acima de nós nunca está parado. Ele se desloca, gira e reage em uma dança caótica de calor, umidade e pressão que determina se a colheita de um agricultor sobrevive ou se uma cidade se prepara para uma tempestade. Por décadas, cientistas tentaram prever esses movimentos usando modelos computacionais massivos que simulam a física da atmosfera. Embora poderosos, essas simulações são incrivelmente caras de executar e, às vezes, lutam contra a pura complexidade do clima local. Nos últimos anos, uma abordagem diferente ganhou terreno: o uso de aprendizado de máquina (machine learning). Estes são programas de computador que aprendem padrões a partir de vastas quantidades de dados históricos meteorológicos para fazer previsões futuras. No entanto, há uma pegadinha. Se você alimentar um programa de aprendizado de máquina com números brutos — como a temperatura ou a velocidade do vento registradas em um momento específico — ele frequentemente perde a visão do quadro geral. Ele falha em perceber que o clima de hoje está profundamente conectado ao de ontem, ou que as estações seguem um ciclo previsível. Para corrigir isso, os cientistas usam uma técnica chamada engenharia de atributos (feature engineering). Este é o processo de criar manualmente novas pistas para o computador estudar. Em vez de apenas dar a ele a temperatura, eles podem também dar a ele a temperatura de três dias atrás, ou um cálculo de como a temperatura e a umidade interagem. A esperança é que essas pistas extras ajudem o computador a entender melhor o clima. Mas uma questão persistente permanece: adicionar mais pistas sempre ajuda, ou pode às vezes confundir a máquina?

Uma equipe de pesquisadores de universidades do Irã e de toda a Ásia partiu para responder a essa pergunta em uma escala massiva. Eles não olharam para uma única cidade ou um único tipo de clima; em vez disso, examinaram todo o continente asiático, uma região tão diversa em clima quanto em geografia, estendendo-se desde o norte congelado até os trópicos úmidos. Eles coletaram registros meteorológicos diários de 1.634 estações meteorológicas diferentes, cobrindo um período de vinte e quatro anos. O objetivo deles era testar quinze formas diferentes de preparar dados para um modelo de aprendizado de máquina. Alguns métodos eram simples, apenas adicionando a data ou o dia da semana. Outros eram complexos, criando novas variáveis multiplicando diferentes fatores meteorológicos ou calculando como o clima havia mudado na última semana. Eles testaram esses métodos contra oito variáveis meteorológicas diferentes: temperatura, umidade, pressão do ar, velocidade do vento, cobertura de nuvens, precipitação e as temperaturas máxima e mínima diárias. Eles usaram um modelo de aprendizado de máquina padrão, conhecido como floresta aleatória (random forest), para ver qual método de preparação de dados produzia as previsões mais precisas.

Os resultados foram surpreendentes e revelaram que não existe uma única "melhor" maneira de preparar dados meteorológicos. Os pesquisadores descobriram que a adição de atributos engenheirados melhorou a precisão das previsões em menos da metade dos casos testados. De fato, para cerca de 42 por cento das combinações de estação e variável, as pistas extras fizeram uma diferença estatisticamente significativa. Mas, para o restante, o trabalho extra foi inútil ou, em alguns casos, ativamente prejudicial. O estudo mostrou que a abordagem correta depende inteiramente do que você está tentando prever e de onde você está tentando prever. Por exemplo, ao prever a pressão do ar, o método mais complexo funcionou melhor. Ao incluir todas as pistas possíveis, desde a época do ano até as leituras de pressão dos últimos dias, o modelo reduziu seus erros de previsão em 41–42% em todo o continente. Isso faz sentido porque a pressão do ar muda de forma lenta e previsível, então o computador se beneficia de ter um longo histórico de dados para estudar.

No entanto, a história foi muito diferente para temperaturas extremas. Quando os pesquisadores tentaram prever a temperatura máxima ou mínima diária, adicionar atributos complexos muitas vezes fez o modelo performar pior. Em quase metade dos casos para temperaturas mínimas, a abordagem mais simples — usando apenas os dados brutos sem qualquer engenharia extra — foi a mais precisa. Os pesquisadores sugerem que, para esses extremos específicos, os dados básicos já contêm toda a informação necessária, e adicionar mais camadas de complexidade apenas introduz ruído que confunde o computador. Da mesma forma, para umidade e velocidade do vento, pistas temporais simples, como saber o mês ou o dia da semana, eram geralmente suficientes. Os métodos mais complexos ofereceram pouco ou nenhum benefício para essas variáveis.

A localização da estação meteorológica também importava profundamente. Os pesquisadores descobriram um padrão claro movendo-se dos trópicos em direção ao norte. Nas regiões quentes e tropicais do Sudeste Asiático e da Índia, o método mais bem-sucedido para prever a temperatura e a cobertura de nuvens envolveu a criação de atributos de interação. Estes são combinações matemáticas que permitem ao computador ver como a temperatura e a umidade trabalham juntas, o que é crucial em climas onde a terra e o ar interagem de formas complexas. Mas, à medida que avançavam para o norte, em direção a regiões mais frias como a Sibéria e o Cazaquistão, essas interações complexas tornaram-se menos úteis. Nessas latitudes mais altas, atributos temporais simples eram suficientes. O estudo também descobriu que a precipitação era a variável mais difícil de melhorar. Nenhum método único funcionou bem em todos os lugares, e as melhorias foram frequentemente pequenas e dispersas, refletindo a natureza imprevisível da própria chuva.

Em última análise, esta pesquisa fornece um roteiro claro para qualquer pessoa que utilize aprendizado de máquina para prever o tempo. Ela prova que a ideia de uma solução universal é um mito. Você não pode simplesmente aplicar o mesmo conjunto de truques de dados a todos os problemas meteorológicos e esperar que funcione. A melhor estratégia é ser específico: use conjuntos de dados complexos e abrangentes para a pressão; dependa de marcadores temporais simples para umidade e vento; e evite complicar demais as coisas ao prever temperaturas extremas. Além disso, a localização da previsão importa tanto quanto a própria variável. O que funciona em uma floresta tropical pode falhar em uma planície temperada. Ao compreender essas nuances, os cientistas podem construir modelos que não são apenas mais inteligentes, mas também mais honestos sobre o que os dados podem e não podem dizer. O estudo conclui que o futuro da previsão do tempo não reside em adicionar mais complexidade pelo simples prazer de fazê-lo, mas em escolher cuidadosamente as ferramentas certas para o lugar certo e para o trabalho certo.