Los científicos utilizan el aprendizaje automático para mejorar sus predicciones sobre el cambio climático.
El aprendizaje automático es una forma de IA que extrae patrones de los datos; esto le permite completar la información que falta.
Estos datos pueden utilizarse después para modelizar los resultados futuros del cambio climático.
A medida que crecen nuestra capacidad computacional y los datos climáticos, los algoritmos de aprendizaje automático se volverán más sofisticados, y también lo serán nuestras proyecciones.
Desde las sugerencias de películas hasta los vehículos autónomos, el aprendizaje automático ha revolucionado la vida moderna. Los expertos lo están utilizando ahora para ayudar a resolver uno de los mayores problemas de la humanidad: el cambio climático.
Con el aprendizaje automático, podemos utilizar nuestra abundancia de datos y observaciones climáticas históricas para mejorar las predicciones del clima futuro de la Tierra. Y estas predicciones desempeñarán un papel fundamental para reducir nuestro impacto climático en los años venideros.
¿Qué es el aprendizaje automático?
El aprendizaje automático es una rama de la inteligencia artificial. Aunque se ha convertido en una especie de término de moda, es esencialmente un proceso de extracción de patrones a partir de datos.
Los algoritmos de aprendizaje automático utilizan conjuntos de datos disponibles para desarrollar un modelo. Este modelo puede entonces hacer predicciones basadas en nuevos datos que no formaban parte del conjunto de datos original.
Volviendo a nuestro problema climático, existen dos enfoques principales mediante los cuales el aprendizaje automático puede ayudarnos a profundizar en nuestra comprensión del clima: las observaciones y la modelización.
En los últimos años, la cantidad de datos disponibles procedentes de observaciones y modelos climáticos ha crecido exponencialmente. Es imposible que los humanos lo revisen todo. Afortunadamente, las máquinas pueden hacerlo por nosotros.
Observaciones desde el espacio
Los satélites vigilan de forma continua la superficie del océano, lo que proporciona a los científicos información útil sobre cómo cambian las corrientes oceánicas.
La misión satelital Surface Water and Ocean Topography (SWOT) de la NASA, prevista para su lanzamiento a finales del próximo año, pretende observar la superficie del océano con un detalle sin precedentes en comparación con los satélites actuales.
Pero un satélite no puede observar todo el océano a la vez. Solo puede ver la porción de océano que se encuentra debajo de él. Y el satélite SWOT necesitará 21 días para pasar por cada punto del globo.
¿Existe alguna forma de completar los datos que faltan, para poder disponer de una imagen global completa de la superficie del océano en cualquier momento dado?
Aquí es donde interviene el aprendizaje automático. Los algoritmos de aprendizaje automático pueden utilizar los datos recogidos por el satélite SWOT para predecir los datos que faltan entre cada revolución de SWOT.
Obstáculos en la modelización climática
Las observaciones nos informan del presente. Sin embargo, para predecir el clima futuro debemos recurrir a modelos climáticos exhaustivos.
El último informe del IPCC sobre el clima se basó en proyecciones climáticas de diversos grupos de investigación de todo el mundo. Estos investigadores ejecutaron una multitud de modelos climáticos que representaban distintos escenarios de emisiones y que arrojaron proyecciones de cientos de años hacia el futuro.
Para modelizar el clima, los ordenadores superponen una malla computacional sobre los océanos, la atmósfera y la tierra. Después, partiendo del clima actual, pueden resolver las ecuaciones del movimiento de los fluidos y del calor dentro de cada celda de esta malla para modelizar cómo evolucionará el clima en el futuro.
El tamaño de cada celda de la malla es lo que llamamos la «resolución» del modelo. Cuanto menor sea el tamaño de la celda, más detallados serán los flujos que el modelo puede captar.
Pero ejecutar modelos climáticos que proyectan cientos de años hacia el futuro somete incluso a los supercomputadores más potentes al límite. Por ello, actualmente nos vemos obligados a ejecutar estos modelos con una resolución baja. De hecho, a veces es tan baja que el flujo no se parece en nada a la realidad.
Por ejemplo, los modelos oceánicos utilizados para las proyecciones climáticas suelen parecerse al de la izquierda, más abajo. Pero en realidad, el flujo oceánico se parece mucho más a la imagen de la derecha.
Por desgracia, actualmente no disponemos de la potencia computacional necesaria para ejecutar modelos climáticos de alta resolución y realistas para las proyecciones climáticas.
Los científicos del clima intentan encontrar formas de incorporar los efectos de los movimientos turbulentos finos y de pequeña escala de la imagen de la derecha superior en el modelo climático de baja resolución de la izquierda.
Si logramos hacerlo, podremos generar proyecciones climáticas más precisas y, a la vez, computacionalmente viables. Esto es lo que denominamos «parametrización», el santo grial de la modelización climática.
En pocas palabras, esto ocurre cuando logramos un modelo que no necesariamente incluye todos los rasgos de flujo complejos de menor escala (que requieren enormes cantidades de potencia de procesamiento), pero que aun así puede integrar sus efectos en el modelo general de una forma más sencilla y económica.
Una imagen más clara
Algunas parametrizaciones ya existen en modelos de baja resolución, pero a menudo no logran integrar de forma eficaz los rasgos de flujo de menor escala.
Los algoritmos de aprendizaje automático pueden utilizar los resultados de modelos climáticos realistas de alta resolución (como el de la imagen de la derecha superior) para desarrollar parametrizaciones mucho más precisas.
A medida que crecen nuestra capacidad computacional y nuestros datos climáticos, podremos emplear algoritmos de aprendizaje automático cada vez más sofisticados para analizar esta información y ofrecer modelos y proyecciones climáticas mejorados.
