A brief overview of deep learning approaches for climate data

Abstract

A frequência, duração e intensidade de diferentes eventos climáticos extremos têm aumentado à medida que o sistema climático se aquece. Por exemplo, as mudanças climáticas levam a uma maior evaporação, o que pode agravar secas e aumentar a frequência de chuvas intensas e nevascas. Esses eventos climáticos extremos frequentemente resultam em condições ou impactos extremos, seja ultrapassando um limiar crítico em um sistema social, ecológico ou físico, ou coincidindo com outros eventos. O sensoriamento remoto nos permite compreender melhor, prever e quantificar eventos climáticos em vastas regiões da Terra. Previsões meteorológicas tradicionalmente dependem da Previsão Numérica do Tempo (NWP), que envolve a formulação de equações precisas de física, posteriormente traduzidas em algoritmos executados em supercomputadores, mas a previsão numérica do tempo requer conhecimento substancial e recursos computacionais. A aprendizagem de máquina oferece uma abordagem inovadora, aproveitando dados para complementar abordagens híbridas ou substituir completamente equações tradicionais baseadas em física. Especificamente, a aprendizagem supervisionada com base no conjunto de dados de reanálise ERA5 tem sido usada na previsão de dinâmicas atmosféricas. No entanto, os padrões espaço-temporais observados nesses dados são altamente complexos, razão pela qual métodos de aprendizagem de máquina não supervisionada e fracamente supervisionada têm sido amplamente utilizados para a classificação ou agrupamento desses eventos complexos. Este trabalho tem como objetivo apresentar uma revisão de ferramentas de aprendizagem profunda supervisionadas, semi-supervisionadas e auto-supervisionadas para a análise de dados climáticos rotulados e fracamente rotulados. Primeiramente, apresentamos a taxonomia básica de aprendizagem para métodos supervisionados, fracamente supervisionados, semi-supervisionados, auto-supervisionados e não supervisionados. Em seguida, introduzimos a física por trás dos dados climáticos, assim como soluções numéricas e de aprendizagem de máquina presentes na literatura. Depois, abordamos o desafio de lidar com grandes volumes de dados climáticos fracamente rotulados. Por fim, direcionamos a atenção para artigos de pesquisa sobre aprendizado de máquina para eventos climáticos, apresentando pesquisas relacionadas, descobertas e contribuições para o campo. Em conclusão, esta tese final de graduação fornece uma síntese das descobertas e destaca perspectivas de pesquisa futuras.

The frequency, duration, and intensity of different extreme weather events have increased as the climate system warms. For instance, climate change leads to more evaporation, which can exacerbate droughts and increase the frequency of heavy rains and snowfalls. These extreme weather events often result in extreme conditions or impacts, either by crossing a critical threshold in a social, ecological, or physical system or by coinciding with other events. Remote sensing enables us to understand better, predict, and quantify climatic events across vast regions of the Earth. Meteorological forecasts traditionally rely on Numerical Weather Prediction (NWP), which consists of the formulation of precise physics equations, subsequently translated into algorithms executed on supercomputers, but numerical weather prediction requires substantial expertise and computational resources. Machine learning offers an innovative approach, leveraging data to either complement hybrid approaches or entirely substitute traditional physics-based equations. Specifically, supervised learning relying on the ERA5 reanalysis dataset has been used in the prediction of atmospheric dynamics. However, the spatio-temporal patterns observed in this data are highly complex, which is why unsupervised and weakly supervised machine learning methods have been widely used for the classification or clustering of those complex events. This work aims to present a review of deep learning supervised, semi-supervised, and self-supervised tools for the analysis of labeled, and weakly labeled climate data. Firstly, we present the basic learning taxonomy for supervised, weakly supervised, semi-supervised, self-supervised, and unsupervised methods. Then, we introduce the physics behind the climate data, as well as numerical and machine learning solutions present in the literature. Next, we address the challenge of dealing with weakly large-volume, weakly labeled climate data. Finally, we direct attention toward research papers regarding machine learning for climate events, presenting related research, findings, and contributions to the field. In conclusion, this undergraduate final thesis provides a synthesis of the findings and points out future research perspectives.