Estimação da Cobertura de Gelo Marinho nos Mares Antárticos de Weddell, Belingshausen e Amundsen com Redes Neurais Artificiais

Autores

DOI:

https://doi.org/10.11137/1982-3908_2022_45_40763

Palavras-chave:

Aprendizado profundo, CNN-LSTM, TensorFlow

Resumo

O gelo marinho desempenha um papel fundamental na regulação térmica das regiões polares. Observações de satélites evidenciam que na Antártica o gelo apresentava, na série histórica, tendências positivas em cobertura e extensão. Em 2019 houve um padrão de inversões entre os valores da normal climatológica e dos dados de reanálise. Nesse contexto, este estudo teve como principal objetivo avaliar o potencial de previsibilidade de cobertura de gelo marinho com a aplicação de técnicas de RNAs em 3 mares que banham o continente Antártico, a saber: Weddell, Bellingshausen e Amundsen. Para tanto, foram utilizados como previsores a temperatura da superfície do mar, a temperatura do ar a 2 metros, a velocidade do vento a 10 metros, o albedo e os fluxos de calor latente e sensível, no período de 1979 a 2019. Os dados foram particionados em 70% para treinamento e 30% para testes. Modelos SARIMAX serviram como valores de referência para aferição da precisão das previsões com RNAs. Em todos os meses com anomalias absolutas superiores a 15% de concentração, o modelo de RNA CNN-LSTM superou os modelos MLP e SARIMAX.

Biografia do Autor

Ricardo Bruno de Araújo Tenorio, Universidade Federal do Rio Grande do Norte

Bacharel em Geofísica pela UFRN (2014)

Mestre em Ciências Climáticas pela UFRN (2017)

José Henrique Fernandez, Universidade Federal do Rio Grande do Norte

Possui graduação em Bacharelado em Física com Habilitação em Pesquisa Básica em Física pela Universidade de São Paulo - USP (1995), mestrado em Geofísica Espacial pelo Instituto Nacional de Pesquisas Espaciais - INPE (1998) e doutorado em Geofísica Espacial também pelo Instituto Nacional de Pesquisas Espaciais - INPE (2002). Professor Associado I na Escola de Ciências e Tecnologia da Universidade Federal do RIo Grande do Norte (UFRN) e professor permanente do Programa de Pós Graduação em Ciências Climáticas da UFRN. Atualmente é Coordenador-geral da Rede Nordeste Aeroespacial no Programa de Pós-graduação em Engenharia Aeroespacial (RNA/PPGEA). Tem experiência na área de Geociências, com ênfase em Aeronomia e Física Espacial, atuando principalmente nos seguintes temas: eventos de precipitação de elétrons do geoespaço para a alta atmosfera terrestre, mecanismos de equilíbrio de população de partículas nos cinturões de radiação de Van Allen, física solar, propagação de sinais VLF na baixa ionosfera terrestre. Foi o primeiro chefe do Departamento de Ciências Atmosféricas e Climáticas do Centro de Ciências Exatas e da Terra da UFRN.

David Mendes, Universidade Federal do Rio Grande do Norte

É graduado em Meteorologia pela Universidade Federal do Pará (1998) e doutorado em Física da atmosfera pela Universidade de Lisboa (2006), pós-doutorado do Instituto Nacional de Pesquisas Espaciais - INPE (2010). Tem experiência na área de Geociências, com ênfase em Meteorologia Aplicada, atuando principalmente nos seguintes temas: Mudanças climáticas, Amazônia, eventos extremos , modelagem clima, meteorologia dinâmica termodinâmica, clima, ciclones extratropicais e inteligência Artificial (e.g. Redes Neurais Artificiais - RNA). Atualmente é coordenador do Projeto "Modelagem de gelo marinho no continente Antártico", projeto vinculado ao PROANTAR-CNPq. Trabalha com modelagem climática global.

José Pedro da Silva Júnior, Universidade Federal do Rio Grande do Norte

Licenciado em Física pela UFRN (2012)
Mestrado em Ciências Climáticas (2015)
Doutorado em Ciências Climáticas (2020)

Referências

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Ir-ving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Leven-berg, J., Mané, D., Monga, R., Moore S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, T., Vanhoucke, V., Vasudevan, V., Viégas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y. & Zheng, X. 2015, TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. https://arxiv.org/pdf/1603.04467.pdf

Akaike, H. 1974, ‘A new look at the statistical model identification’, IEEE Trans-actions on Automatic Control, vol. 19, no. 6, pp. 716-23. https://doi.org/10.1109/TAC.1974.1100705

Armour, K.C., Scott, J., Donohoe, A., Newsom, E.R. & Marshall J.C. 2016, ‘Southern Ocean warming delayed by circumpolar upwelling and equa-torward transport’, Nature Geoscience, vol. 9, no. 7, pp. 549-54. https://doi.org/10.1038/ngeo2731

Boetius, A., Anesio, A.M., Deming, J.W., Mikucki, J.A. & Rapp, J.Z. 2015, ‘Mi-crobial ecology of the cryosphere: sea ice and glacial habitats’, Nature Re-views Microbiology, vol. 13, no. 11, pp. 677-90. https://doi.org/10.1038/nrmicro3522

Box, G.E.P. & Jenkins, G.M. 1976, Time Series Analysis: Forecasting and Con-trol, Holden-Day, San Francisco, CA.

Breiman, L. 2001, ‘Random forests’, Machine learning, vol. 45, no. 1, pp. 5-32. https://doi.org/10.1023/A:1010933404324

Brownlee, J. 2016, Deep Learning with Python: Develop Deep Learning Models on Theano and TensorFlow using Keras, Machine Learning Mastery.

Cavalieri, D.J., Gloersen P., Parkinson, C.L., Comiso, J.C. & Zwally, H.J. 1997, ‘Observed hemispheric asymmetry in global sea ice changes’, Science, vol. 278, no. 5340, pp. 1104-6. https://doi.org/10.1126/science.278.5340.1104

Cavalieri, D. & Parkinson, C.L. 2012, ‘Arctic sea ice variability and trends, 1979-2010’, The Cryosphere, vol. 6, no. 4, pp. 881-9. https://doi.org/10.5194/tc-6-881-2012

Chambault, P., Albertsen, C.M., Patterson, T.A., Hansen, R.G., Tervo, O., Laidre, K.L. & Heide-Jørgensen, M.P. 2018, ‘Sea surface temperature pre-dicts the movements of the Arctic cetacean: the bowhead whale’, Scientific reports, vol. 8, no. 1, pp. 1-12. https://doi.org/10.1038/s41598-018-27966-1

Chemke, R. & Polvani, L.M. 2020, ‘Using multiple large ensembles to elucidate the discrepancy between the 1979-2019 modeled and observed Antarctic Sea ice trends’, Geophysical Research Letters, vol. 47, no. 15, pp. e2020GL088339. https://doi.org/10.1029/2020GL088339

Chen, J., Li, M. & Wang, W. 2012, ‘Statistical uncertainty estimation using Ran-dom Forests and its application to drought forecast’, Mathematical Prob-lems in Engineering, vol. 2012, no. 915053. https://doi.org/10.1155/2012/915053

Evermann, J., Rehse, J.R. & Fettke, P. 2017, XES Tensorflow: Process predic-tion using the Tensorflow deep-learning framework, ArXv, vol. 1. https://arxiv.org/pdf/1705.01507.pdf

Gagné, M., Gillett, N. & Fyfe, P. 2015, ‘Observed and simulated changes in Antarctic sea ice extent over the past 50 years’, Geophysical Research Let-ters, vol. 42, no. 1, pp. 90-5. https://doi.org/10.1002/2014GL062231

Gloersen, P., Campbell, W.J., Cavalieri, D.J., Comiso, J.C., Parkinson, C.L. & Zwally, H.J. (eds) 1992, Arctic and antarctic sea ice: satellite passive-microwave observations and analysis, NASA, Washington D.C.

Haykin, S. 2007, Redes Neurais: Princípios e Prática, 2nd edn, Bookman, Porto Alegre, RS.

Ho, T.K. 1995, ‘Random decision forests’, 3rd international conference on doc-ument analysis and recognition 1995, IEEE, Murray Hill, NJ, pp. 278-82. https://doi.org/10.1109/ICDAR.1995.598994

Hochreiter, S. & Schmidhuber, J. 1997, ‘Long Short-Term Memory’, Neural computation, vol. 9, no. 8, pp. 1735-80. https://doi.org/10.1162/neco.1997.9.8.1735

Hutchinson, D.K., England, M.H., Santoso, A. & Hogg, A.M. 2013, ‘Interhe-mispheric asymmetry in transient global warming: The role of Drake Pas-sage’, Geophysical Research Letters, vol. 40, no. 8, pp. 1587-93. https://doi.org/10.1002/grl.50341

Hu, M.Y., Zhang, G., Jiang, C.X. & Patuwo, B.E. 1999, ‘A Cross-Validation Analysis of Neural Network Out-of-Sample Performance in Exchange Rate Forecasting’, Decision Sciences, vol. 30, no. 1, pp. 197-216. https://doi.org/10.1111/j.1540-5915.1999.tb01606.x

Kirchmeier-Young, M.C., Zwiers, F.W. & Gillett, N.P. 2017, ‘Attribution of ex-treme events in Arctic sea ice extent’, Journal of Climate, vol. 30, no. 2, pp. 553-71. https://doi.org/10.1175/JCLI-D-16-0412.1

Lawrence, S., Giles, C.L., Tsoi, A.C. & Back, A.D. 1997, ‘Face recognition: A convolutional neural-network approach’, IEEE transactions on neural net-works, vol. 8, no. 1, pp. 98-113. https://doi.org/10.1109/72.554195

LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. 1998, ‘Gradient-based learning applied to document recognition’, Proceedings of the IEEE, vol. 86, no. 21, pp. 2278-324. https://doi.org/10.1109/5.726791

Meehl, G.A, Arblaster, J.M., Chung, C.T.Y., Holland, M.M., DuVivier, A., Thompson, L., Yang, D. & Bitz, C.M. 2019, ‘Sustained ocean changes con-tributed to sudden Antarctic ice retreat in late 2016’, Nature Communica-tions, vol. 10, no. 1, pp. 1-9.

https://doi.org/10.1038/s41467-018-07865-9

Olah, C. 2015, Understanding LSTM Networks, Colah’s Blog, weblog, viewed 13 July 2021, <https://colah.github.io/posts/2015-08-Understanding-LSTMs/>

Oliva, M., Navarro, F., Hrbáček, F., Hernández, A., Nývlt, D., Pereira, P., Ruiz-Fernández, J. & Trigo, R. 2017, ‘Recent regional climate cooling on the Antarctic Peninsula and associated impacts on the cryosphere’, Science of The Total Environment, vol. 580, pp. 210-23. https://doi.org/10.1016/j.scitotenv.2016.12.030

Parkinson, C.L. 2002, ‘Trends in the length of the Southern Ocean sea-ice sea-son’, Annals of Glaciology, vol. 34, no. 1, pp. 435-40. https://doi.org/10.3189/172756402781817482

Parkinson, C.L. 2019, ’A 40-y record reveals gradual Antarctic Sea ice increas-es followed by decreases at rates far exceeding the rates seen in the Arc-tic’, Proceedings of the National Academy of Sciences, vol. 116, no. 29, pp. 14414-23. https://doi.org/10.1073/pnas.1906556116

Raphael, M.N., Marshall, G.J., Turner, J., Fogt, R.L., Schneider, D., Dixon, D.A., Hosking, J.S., Jones, J.M. & Hobbs, W.R. 2016, ‘The Amundsen Sea Low: Variability, Change and Impact on Antarctic climate’, Bulletin of the Ameri-can Meteorological Society, vol. 97, no. 1, pp. 111-21. https://doi.org/10.1175/BAMS-D-14-00018.1

Rosenblatt, F. 1958, ‘The Perceptron: A probabilistic model for information stor-age and organization in the brain’, Psychological Review, vol. 65, no. 6, pp. 386-408. https://doi.apa.org/doi/10.1037/h0042519

Rouch, L.A., Dörr, J., Holmes, C.R., Massonnet, F., Blockley, E.W., Notz, D., Rackwow, T., Raphael, M.N., O’Farrell, S.P., Bailey, D.A. & Bitz, C.M. 2020, ‘Antarctic Sea ice area in CMIP6’, Geophysical Research Letters, vol. 47, no. 9, pp. e2019GL086729. https://doi.org/10.1029/2019GL086729

Serreze, M.C., Holland, M.M. & Stroeve, J. 2007, ‘Perspectives on the Artic’s Shrinking sea-ice cover’, Science, vol. 315, no. 5818, pp. 1533-36. https://doi.org/10.1126/science.1139426

Strobl, C., Boulesteix, A.L., Zeileis, A., & Hothorn, T. 2007, ‘Bias in random for-est variable importance measures: Illustrations, sources and a solution’, BMC bioinformatics, vol. 8, no. 1, pp. 1-21. https://doi.org/10.1186/1471-2105-8-25

Stroeve, J.C., Kattsov, V., Barret A., Serreze, M., Pavlova, T., Holland, M. & Meier, W. 2012, ‘Trends in Arctic Sea ice extent from CMIP5, CMIP3 and observations’, Geophysical Research Letters, vol. 39, no. 16, pp. L16502. https://doi.org/10.1029/2012GL052676

Turner, J., Lu, H., White, I., King, J.C., Phillips, T., Scott H.J., Bracegirdle, T.J., Marshall, G.J., Mulvaney, R. & Deb, P. 2016, ‘Absence of 21st century warming on Antarctic Peninsula consistent with natural variability’, Nature, vol. 535, no. 7612, pp. 411-5. https://doi.org/10.1038/nature18645

Turner, J., Guarino, M.V., Arnatt, J., Jena, B., Marshall, G.J., Phillips, T., Bajish, C.C., Clem, K., Wang, Z., Andersson, T., Murphy, E.J. & Cavanagh, R. 2020, ‘Recent Decrease of Summer Sea Ice in the Weddell Sea, Antarcti-ca’, Geophysical Research Letters, vol. 47, no. 11, pp. e2020GL087127. https://doi.org/10.1029/2020GL087127

Yegnanarayana, B. 2005, Artificial Neural Networks, Prentice-Hall of India, No-va Deli.

Young, T., Hazarika, D., Poria, S. & Cambria, E. 2018, ‘Recent trends in deep learning based natural language processing’, IEEE Computational intelli-gence magazine, vol. 13, no. 3, pp. 55-75. https://arxiv.org/abs/1708.02709

Vaughan, D.G., Marshall, G.J., Connolley, W.M., Parkinson, C., Mulvaney, R., Hodgson, D.A., King, J.C., Pudsey, C.J. & Turner, J. 2003, ‘Recent rapid regional climate warming on the Antarctic Peninsula’, Climate Change, vol. 60, no. 3, pp. 243-74. https://doi.org/10.1023/A:1026021217991

Wilks, D.S. 2006, Statistical Methods in the Atmospheric Sciences, 2nd edn, Academic Press, London.

Arquivos adicionais

Publicado

2022-06-21

Edição

Seção

Meteorologia