From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

A previsão meteorológica entrou em uma nova era onde poderosos programas de computador, treinados em vastos arquivos de dados meteorológicos passados, começam a rivalizar com os modelos tradicionais baseados em física. Esses sistemas de inteligência artificial não simulam a atmosfera a partir de princípios fundamentais; em vez disso, aprendem padrões de registros históricos para prever o que vem a seguir. A fonte mais confiável para esses registros históricos é um conjunto de dados global chamado ERA5, uma reconstrução detalhada da atmosfera que preenche lacunas onde não existem estações meteorológicas. Uma versão mais recente e de maior resolução, chamada ERA5-Land, foca especificamente na superfície da Terra, prometendo uma precisão ainda maior para o solo que pisamos. Como esses modelos de IA dependem inteiramente desses dados para aprender, a qualidade da reconstrução é primordial. Se o registro histórico contiver erros ocultos ou suavizar extremos locais, a IA herdará essas falhas, potencialmente falhando em prever os eventos perigosos que a sociedade precisa conhecer.

No Marrocos, um país onde a paisagem muda dramaticamente de planícies costeiras para cadeias montanhosas altas e desertos áridos, pesquisadores se dedicaram a testar a confiabilidade desses dois conjuntos de dados. Eles queriam saber se os mapas digitais do passado realmente correspondiam à realidade registrada pelas estações meteorológicas no solo. A equipe reuniu observações horárias de trinta e seis estações diferentes em todo o país, cobrindo uma ampla gama de climas e topografias de 2016 a 2024. Eles compararam a temperatura, umidade, velocidade do vento e precipitação registrados pelas estações contra os valores fornecidos tanto pelo ERA5 padrão quanto pelo ERA5-Land, focado na terra. O objetivo era ver se as reconstruções digitais poderiam capturar os detalhes sutis e locais do clima, especialmente durante os eventos mais extremos de calor, frio e vento que definem a região.

A investigação revelou que, para compreender padrões climáticos gerais, ambos os conjuntos de dados são notavelmente bons. Eles reproduzem com sucesso o ritmo diário do tempo, capturando como as temperaturas sobem e descem ao longo do dia e como as estações mudam ao longo do ano. Para condições médias, os dois produtos são amplamente intercambiáveis, embora o ERA5 padrão tenda a ser ligeiramente mais preciso para temperatura e umidade, enquanto o ERA5-Land, específico para a terra, oferece uma pequena vantagem na medição da velocidade do vento sobre terrenos complexos e montanhosos. No entanto, a história muda quando os pesquisadores olharam para os extremos. Embora os modelos lidem bem com o tempo moderado, sua capacidade de prever os eventos mais severos depende fortemente de quão raros esses eventos são.

Quando os pesquisadores testaram os modelos contra limiares de calor, frio e vento extremos, encontraram um padrão claro. Ambos os conjuntos de dados tiveram um bom desempenho na detecção de extremos moderados, como um dia muito quente ou uma rajada de vento forte. Mas, à medida que os eventos se tornavam mais raros e intensos, a habilidade dos modelos caía significamente. Para os dias mais quentes ou os ventos mais fortes, os modelos frequentemente perdiam o alvo completamente. Os pesquisadores observaram que essa falha não é necessariamente uma falha única do software, mas uma limitação fundamental de tentar combinar um mapa digital amplo e baseado em grade com um único ponto específico no solo. Uma estação meteorológica está situada em um microclima único, talvez em um vale ou em uma encosta específica, enquanto o modelo digital representa uma grande área que faz a média desses detalhes locais. Esse descompasso significa que mesmo um modelo perfeito não pode prever o valor de pico exato em uma estação específica se esse pico for impulsionado por uma geografia local que o modelo não consegue ver.

O estudo também descobriu um obstáculo técnico específico para o conjunto de dados focado na terra. Como o ERA5-Land é projetado apenas para a terra, ele deixa de fora o oceano. Isso cria um problema para estações localizadas no litoral ou perto de ilhas, onde o modelo não possui um ponto de grade válido para coincidir com a observação. Em alguns casos, os dados para essas estações costeiras simplesmente não existem na versão focada apenas na terra, uma lacuna que poderia facilmente ser confundida com registros meteorológicos ausentes se não for verificada cuidadosamente. Além disso, os pesquisadores descobriram que a maior resolução do conjunto de dados terrestre nem sempre ajudava. Em algumas áreas de deserto e montanhas, a grade mais fina na verdade introduziu mais ruído nas leituras de temperatura e umidade, particularmente durante a noite, sem melhorar a precisão geral.

Em última análise, a pesquisa sugere que, embora esses conjuntos de dados globais sejam excelentes ferramentas para estudar tendências climáticas gerais e treinar modelos de IA, eles devem ser usados com cautela ao prever eventos meteorológicos específicos e ameaçadores à vida em nível local. Os modelos não estão quebrados, mas não foram projetados para ver os menores detalhes da paisagem. Os autores recomendam que qualquer pessoa que utilize esses dados para estudos de impacto ou verificação de IA deve focar em extremos relativos — o quão incomum é um dia em comparação com a média local — em vez de limiares absolutos como "um dia mais quente que 45 graus". Eles também aconselham verificar explicitamente as lacunas de cobertura perto da costa e relatar erros de uma forma que leve em conta a variabilidade natural do vento e da temperatura. Ao compreender essas limitações, cientistas e previsores podem interpretar melhor os mapas digitais do passado, garantindo que a próxima geração de previsões meteorológicas permaneça fundamentada na complexa realidade do mundo.