Os ciclones tropicais são eventos climáticos extremos, caracterizados por uma forma circular e formação sobre oceanos tropicais quentes, com baixa pressão atmosférica, ventos fortes e chuvas fortes. As tempestades tropicais excedem 39 milhas por hora (62,76 km/h), enquanto os furacões experimentam ventos sustentados de 74 mph (119,09 km/h) acima.
As águas quentes alimentam a continuação do ciclone, consequentemente resfriando a superfície do oceano, e as altas velocidades do vento aumentam as correntes. Este último resulta na mistura das camadas do oceano, trazendo águas mais profundas e frias para a superfície. Ao fazer isso, isso pode ajudar a reduzir o combustível de água quente em ciclones, fazendo com que eles diminuam a velocidade ou até parem completamente.
Uma nova pesquisa publicada na Geophysical Research Letters voltou-se para a tecnologia para modelar os efeitos dos ciclones tropicais nos oceanos, em particular nas temperaturas da superfície do mar. Isto é importante porque a temperatura pode impactar as respostas mais amplas dos ecossistemas, bem como os organismos que vivem nos oceanos.
O método de floresta aleatória baseado em aprendizado de máquina usou dados de um período de 20 anos começando em 1998 para treinar o sistema e ajudar a prever a evolução da temperatura da superfície do mar ao longo do tempo e do espaço no noroeste do Oceano Pacífico (equador a 30°N, 100– 160°E), uma das zonas mais ativas para ciclones tropicais.
O pesquisador doutor Hongxing Cui, do Laboratório de Ciência e Engenharia Marinha do Sul de Guangdong, na China, e colegas usaram 12 características de ciclones tropicais e condições pré-tempestade para prever o resfriamento da superfície do mar na bacia do Oceano Pacífico.
Essas características incluem: intensidade do ciclone, velocidade e direção (translação) em que o ciclone está se movendo, raio mais curto do ciclone atingindo velocidades de 30 nós, longitude e latitude do epicentro do ciclone tropical, profundidade da camada mista, altura da superfície do mar, temperatura da superfície do mar, temperatura do oceano a 75m de profundidade e mudanças na velocidade da corrente. Do acima mencionado, descobriu-se que a intensidade do ciclone tropical, a velocidade e o tamanho da translação, a profundidade da camada mista pré-tempestade e a temperatura da superfície do mar têm o impacto mais significativo nos padrões subsequentes de temperatura da superfície observados no oceano.
O modelo do método florestal aleatório foi treinado com dados históricos de 627.400 ciclones tropicais ocorridos entre 1998 e 2018 e considera a atividade do ciclone tropical desde os três dias anteriores ao evento até 14 dias após sua passagem.
A equipe de pesquisa observou que o arrefecimento começou nos dois dias anteriores ao evento, intensificando-se durante a passagem do ciclone tropical, mas atingindo o pico no dia seguinte ao evento, com um declínio de >1,3°C na temperatura da superfície do mar (atingindo 2°C durante furacões de categoria 3–5).
Durante o mesmo período, o arrefecimento expande-se para afetar também uma proporção maior da superfície do oceano, embora se tenha verificado que o arrefecimento máximo ocorre deslocado na direção do ciclone tropical, 50 km para a direita. Do segundo ao quarto dia houve um aquecimento relativamente rápido dos oceanos à medida que começaram a regressar às condições normais, com uma recuperação mais lenta a partir daí até ao dia 14, quando o efeito de arrefecimento foi reduzido para apenas 0,4°C acima da média local.
Em resumo, ciclones tropicais de maior intensidade, maiores e mais lentos em áreas com uma camada oceânica mista rasa tendem a ter um maior efeito de resfriamento nas águas superficiais. A intensidade e a velocidade da tempestade têm um efeito local maior, enquanto o tamanho global do ciclone, a profundidade da camada mista oceânica pré-tempestade e a temperatura da superfície do mar têm impacto no efeito de arrefecimento numa área maior.
Comparando os resultados reais de dados com as previsões do método florestal aleatório, a equipe de pesquisa encontrou uma boa correlação entre os resultados e, portanto, tem confiança na capacidade de aprendizado de máquina do modelo para futuros eventos de ciclones tropicais. Isto pode, consequentemente, ser usado para modelar efeitos em outras bacias oceânicas a nível mundial e ajudar a determinar o impacto dos ciclones tropicais na produtividade dos produtores primários nos oceanos, como as algas fotossintetizantes, que formam a base das complexas teias alimentares que compõem o oceano e todos os ecossistemas.
Traduzido por Mateus Lynniker de Phys.Org
