La IA ayuda a desentrañar la complejidad del clima, el tiempo y el uso de la tierra, y a encontrar soluciones al cambio climático ¿Cómo puede la IA ayudar en el cambio climático?

Imágenes generadas por IA basadas en mensajes como "tornado en las zonas rurales del medio oeste de los Estados Unidos", "tormenta con relámpagos sobre la ciudad" y "campo de maíz". Crédito: DALL-E (los dos primeros desde la izquierda) y Microsoft Bing Image Creator, impulsado por Everett Hogrefe y Jayme DeLoss.

historia de Jayme DeLoss publicada el 31 de agosto de 2023

Imaginemos que pudiéramos predecir no sólo tormentas severas con más de una semana de anticipación, sino también cómo será el clima dentro de 50 años y cómo las estrategias de intervención podrían disminuir los impactos del cambio climático. Los investigadores de la Universidad Estatal de Colorado están desarrollando formas de hacer todas estas cosas utilizando una herramienta poderosa: la inteligencia artificial.

La profesora de ciencias atmosféricas Elizabeth Barnes utiliza el aprendizaje automático, un subconjunto de la inteligencia artificial, para desentrañar la complejidad de la ciencia climática. El profesor Russ Schumacher, climatólogo del estado de Colorado y director del Centro Climático de Colorado, dirigió el desarrollo de un modelo de aprendizaje automático que puede predecir con precisión condiciones meteorológicas adversas con cuatro a ocho días de antelación y que ahora se utiliza a diario en las operaciones del Servicio Meteorológico Nacional. Y un equipo dirigido por el distinguido profesor universitario Keith Paustian en el Departamento de Ciencias del Suelo y Cultivos llevará la experiencia mundialmente reconocida en cuantificación de gases de efecto invernadero de CSU al siguiente nivel combinando sus fortalezas con las del aprendizaje automático.

El grupo de investigación de Barnes utiliza el aprendizaje automático para detectar los impactos del cambio climático, predecir el tiempo y el clima dentro de unas semanas o décadas en el futuro y explorar los resultados potenciales de estrategias hipotéticas de intervención climática como la geoingeniería.

El sistema climático es increíblemente complejo y quienes lo estudian dependen de cantidades masivas de datos. Barnes dijo que el aprendizaje automático es la herramienta perfecta para los científicos del clima.

"Siempre hemos estado usando datos y tratando de extraer toda la complejidad del sistema climático y hacerlo comprensible para un ser humano, y ahora el aprendizaje automático nos permite profundizar aún más y encontrar relaciones aún más complicadas", dijo. . "El lugar en el que nos encontramos ahora todavía es intentar que sus predicciones sean comprensibles para los humanos".

Con suficientes datos, un modelo de aprendizaje automático lo suficientemente complejo puede encontrar patrones entre el ruido y potencialmente producir predicciones precisas, pero a Barnes le interesa la IA explicable, es decir, descubrir cómo un modelo de aprendizaje automático llegó a la conclusión que llegó. Ella compara descifrar el proceso del modelo con resolver un laberinto comenzando por el final y trabajando hacia atrás.

“Siempre hemos estado usando datos y tratando de extraer toda la complejidad del sistema climático y hacerlo comprensible para un ser humano, y ahora el aprendizaje automático nos permite profundizar aún más y encontrar relaciones aún más complicadas. El lugar en el que nos encontramos ahora todavía es intentar que sus predicciones sean comprensibles para los humanos”.

—Profesora de Ciencias Atmosféricas Elizabeth Barnes

"Si hace un buen trabajo y podemos saber por qué pudo hacerlo, entonces aprenderemos nueva ciencia climática", dijo Barnes.

Su grupo también se centra en la IA interpretable, a veces llamada IA ​​transparente. Están empezando desde cero, construyendo modelos de aprendizaje automático desde cero, de modo que los modelos sean comprensibles para las personas en cada paso del camino.

“Ese es un proceso mucho más lento y, sinceramente, mucho más difícil”, dijo Barnes, “pero el resultado es que cuando se hace una predicción, no es necesario preguntarse: '¿Por qué hizo esa predicción?' Ya sabes por qué”.

La explicabilidad y la interpretabilidad son dos piezas que pueden ayudar a las personas a confiar en la IA, pero entran en juego muchos otros factores. Barnes, Imme Ebert-Uphoff, científica del Instituto Cooperativo para la Investigación de la Atmósfera y profesora del Departamento de Ingeniería Eléctrica e Informática, y el profesor de Ciencias de la Computación Chuck Anderson están explorando lo que se necesitará para crear una IA confiable para estudiar el tiempo y el clima. . Son socios del Instituto de Investigación sobre IA confiable en tiempo, clima y oceanografía costera, financiado por la Fundación Nacional de Ciencias y dirigido por la Universidad de Oklahoma.

El grupo de la científica climática Elizabeth Barnes ha producido varias animaciones que explican las herramientas de inteligencia artificial que utilizan para estudiar el clima.

Un modelo de aprendizaje automático creado en CSU ha mejorado la confianza de los pronosticadores en las predicciones de tormentas y ahora lo utilizan diariamente el Centro de Predicción de Tormentas y el Centro de Predicción Meteorológica del Servicio Meteorológico Nacional.

El modelo, desarrollado en el Departamento de Ciencias Atmosféricas por un equipo dirigido por Schumacher, es capaz de predecir con precisión precipitaciones excesivas, granizo y tornados con cuatro a ocho días de antelación. El modelo se llama CSU-MLP por "Probabilidades de aprendizaje automático de la Universidad Estatal de Colorado".

El equipo de Schumacher trabajó con los pronosticadores del NWS durante seis años para probar y perfeccionar el modelo para sus propósitos. El código CSU ahora se está ejecutando en los sistemas informáticos operativos del Centro de Predicción de Tormentas y del Centro de Predicción del Tiempo, ayudando a los pronosticadores a predecir condiciones climáticas peligrosas, para que las personas en peligro tengan suficiente tiempo para prepararse.

Los científicos atmosféricos entrenaron el modelo con registros históricos de clima severo y repronósticos de la NOAA, pronósticos retrospectivos ejecutados con los modelos numéricos mejorados de hoy.

Allie Mazurek, miembro del equipo y Ph.D. estudiante, está trabajando en una IA explicable para los pronósticos CSU-MLP. Ella está tratando de descubrir qué entradas de datos atmosféricos son más importantes para las predicciones del modelo, de modo que el modelo sea más transparente para los pronosticadores.

"Estas nuevas herramientas que utilizan la IA para la predicción del tiempo se están desarrollando rápidamente y están mostrando resultados realmente prometedores y emocionantes", dijo Schumacher. “Pero también tienen limitaciones, al igual que los modelos tradicionales de predicción del tiempo y los pronosticadores humanos tienen fortalezas y limitaciones. La mejor manera de avanzar en el campo y mejorar los pronósticos será aprovechar cada una de sus fortalezas: la IA para lo que es buena, que es identificar patrones en conjuntos de datos masivos; modelos numéricos de predicción del tiempo por estar basados ​​en la física; y humanos para sintetizar, comprender y comunicar”.

Schumacher analiza con más detalle la promesa y las limitaciones de la IA para la predicción del tiempo en este artículo de The Conversation, del que es coautor Aaron Hill, ex científico investigador de CSU que ahora es miembro de la facultad de la Universidad de Oklahoma.

CSU se está asociando con la Universidad de Minnesota, la Universidad de Cornell y varias otras universidades en un instituto de investigación que utilizará la IA para crear prácticas agrícolas y forestales climáticamente inteligentes.

El Instituto AI-CLIMATE, que significa Interacciones, Mitigación, Adaptación, Compensaciones y Economía Clima-Tierra, se anunció a principios de este año y está financiado por una subvención de 20 millones de dólares de la Fundación Nacional de Ciencias y el Instituto Nacional de Alimentación y Agricultura del USDA.

El instituto empleará técnicas de inteligencia artificial como el aprendizaje profundo y el aprendizaje automático guiado por el conocimiento para mejorar la precisión y reducir el costo de contabilizar el carbono y otros gases de efecto invernadero, proporcionando datos esenciales para los programas de compensación de carbono.

CSU, líder desde hace mucho tiempo en la medición y seguimiento de los cambios en las reservas de carbono del suelo y las emisiones de gases de efecto invernadero del suelo, ayudará a crear métodos guiados por IA para predicciones basadas en modelos, combinando modelos de aprendizaje automático con los modelos biogeoquímicos basados ​​en procesos desarrollados durante décadas en CSU.

Paustian es el investigador principal del equipo de profesores, investigadores postdoctorales y estudiantes AI-CLIMATE de CSU. Su objetivo es descubrir cómo gestionar mejor las tierras agrícolas y forestales para lograr el máximo secuestro de carbono y, al mismo tiempo, reducir otros gases de efecto invernadero, incluidos el óxido nitroso y el metano, sin dañar otros servicios ecosistémicos como la biodiversidad o la calidad del agua. En otras palabras, quieren optimizar el uso de la tierra para todos sus diversos fines, incluidos los usos económicos y ambientales.

Keith Paustian, profesor universitario distinguido en ciencias de suelos y cultivos y científico investigador senior en el Laboratorio de Ecología de Recursos Naturales

Francesca Cotrufo, profesora de Ciencias del Suelo y Cultivos y científica investigadora senior del NREL

Patrick Keys, profesor asistente de Ciencias Atmosféricas

Nathan Mueller, profesor asistente de ciencia y sostenibilidad de los ecosistemas y ciencias del suelo y los cultivos

Stephen Ogle, profesor de Sostenibilidad y Ciencia de los Ecosistemas y científico investigador senior del NREL

Sangmi Pallickara, profesor de Ciencias de la Computación

Shrideep Pallickara, profesor de Ciencias de la Computación

Yao Zhang, científico investigador del NREL y de Ciencias del Suelo y los Cultivos.

"Uno de los puntos fuertes de los modelos basados ​​en IA es que son mucho mejores a la hora de manejar esos problemas de optimización realmente complejos", afirmó Paustian. "Se pueden utilizar esas tecnologías para lograr una mejor optimización que luego también puede incorporarse a las herramientas de toma de decisiones".

El modelo de aprendizaje automático guiado por el conocimiento resultante de AI-CLIMATE asignará probabilidades a diferentes resultados potenciales para que las personas puedan tomar decisiones más informadas.

"Este proyecto no sólo tiene como objetivo apoyar una mejor comprensión de los ecosistemas y el clima y la gestión de sistemas, sino también desarrollar información que sea útil para las personas que están tratando de lidiar con los problemas que enfrentamos", dijo Paustian. "Si podemos conocer mejor las consecuencias de una gestión diferente, así como toda la complejidad de los factores del ecosistema que son determinantes, entonces podremos diseñar mejor soluciones y políticas efectivas".

AI-CLIMATE trabajará para comprender los impactos del cambio climático y explorar posibles respuestas adaptativas. También desarrollará herramientas de visualización de datos inspiradas en la IA y contribuirá al desarrollo de la fuerza laboral científica.

La inteligencia artificial ya no es ciencia ficción. Este informe especial de SOURCE explora la importancia de la investigación en inteligencia artificial y lo que realmente necesita saber sobre el potencial y el impacto de esta tecnología empoderadora, disruptiva y complicada.leer más

Etiquetas asignadas a esta historia