De sugestões de filmes a veículos autônomos, o aprendizado de máquina revolucionou a vida moderna. Os especialistas agora estão usando-o para ajudar a resolver um dos maiores problemas da humanidade: a mudança climática.
Com o aprendizado de máquina, podemos usar nossa abundância de dados históricos do clima e observações para melhorar as previsões do clima futuro da Terra. E essas previsões terão um papel importante na redução de nosso impacto climático nos próximos anos.
O que é aprendizado de máquina?
O aprendizado de máquina é um ramo da inteligência artificial. Embora tenha se tornado uma espécie de palavra da moda, é essencialmente um processo de extração de padrões de dados.
Os algoritmos de aprendizado de máquina usam conjuntos de dados disponíveis para desenvolver um modelo. Esse modelo pode então fazer previsões com base em novos dados que não faziam parte do conjunto de dados original.
Voltando ao nosso problema climático, existem duas abordagens principais pelas quais o aprendizado de máquina pode nos ajudar a aprofundar nossa compreensão do clima: observações e modelagem.
Nos últimos anos, a quantidade de dados disponíveis de modelos de observação e clima cresceu exponencialmente. É impossível para os humanos passarem por tudo isso. Felizmente, as máquinas podem fazer isso por nós.
Observações do espaço
Os satélites monitoram continuamente a superfície do oceano, dando aos cientistas uma visão útil de como os fluxos do oceano estão mudando.
A missão do satélite de Superfície de Água e Topografia Oceânica (SWOT) da NASA – com lançamento previsto para o final do ano que vem – visa observar a superfície do oceano em detalhes sem precedentes em comparação com os satélites atuais.
Mas um satélite não pode observar todo o oceano de uma vez. Ele só pode ver a porção do oceano abaixo dele. E o satélite SWOT precisará de 21 dias para percorrer todos os pontos do globo.
Existe uma maneira de preencher os dados ausentes, para que possamos ter uma imagem global completa da superfície do oceano a qualquer momento?
É aqui que entra o aprendizado de máquina. Os algoritmos de aprendizado de máquina podem usar dados recuperados pelo satélite SWOT para prever os dados ausentes entre cada revolução SWOT.
Obstáculos na modelagem climática
As observações nos informam do presente. No entanto, para prever o clima futuro, devemos contar com modelos climáticos abrangentes.
O último relatório climático do IPCC foi informado por projeções climáticas de vários grupos de pesquisa em todo o mundo. Esses pesquisadores executaram uma infinidade de modelos climáticos que representam diferentes cenários de emissões que geraram projeções de centenas de anos no futuro.
Para modelar o clima, os computadores sobrepõem uma grade computacional nos oceanos, na atmosfera e na terra. Então, começando com o clima de hoje, eles podem resolver as equações do movimento do fluido e do calor dentro de cada caixa desta grade para modelar como o clima irá evoluir no futuro.
O tamanho de cada caixa na grade é o que chamamos de “resolução” do modelo. Quanto menor for o tamanho da caixa, mais precisos serão os detalhes do fluxo que o modelo pode capturar.
Mas a execução de modelos climáticos que se projetam centenas de anos deixa até os supercomputadores mais poderosos de joelhos. Portanto, somos atualmente forçados a executar esses modelos em uma resolução grosseira. Na verdade, às vezes é tão grosseiro que o fluxo não se parece em nada com a vida real.
Por exemplo, os modelos oceânicos usados para projeções climáticas normalmente se parecem com o que está à esquerda abaixo. Mas, na realidade, o fluxo do oceano se parece muito mais com a imagem à direita.
Infelizmente, atualmente não temos o poder computacional necessário para executar modelos climáticos realistas e de alta resolução para projeções climáticas.
Cientistas climáticos estão tentando encontrar maneiras de incorporar os efeitos dos movimentos turbulentos de pequena escala na imagem acima à direita no modelo climático de resolução grosseira à esquerda.
Se pudermos fazer isso, podemos gerar projeções climáticas que são mais precisas, mas ainda computacionalmente viáveis. Isso é o que chamamos de “parametrização” – o Santo Graal da modelagem climática.
Simplesmente, isso é quando podemos alcançar um modelo que não inclui necessariamente todos os recursos de fluxo complexos de menor escala (que requerem grandes quantidades de poder de processamento), mas que ainda pode integrar seus efeitos no modelo geral de uma forma mais simples e barata caminho.
Uma imagem mais clara
Algumas parametrizações já existem em modelos de resolução grosseira, mas muitas vezes não fazem um bom trabalho ao integrar os recursos de fluxo em escala menor de maneira eficaz.
Os algoritmos de aprendizado de máquina podem usar a saída de modelos climáticos realistas de alta resolução (como o da direita acima) para desenvolver parametrizações muito mais precisas.
Conforme nossa capacidade computacional cresce – junto com nossos dados climáticos – seremos capazes de envolver algoritmos de aprendizado de máquina cada vez mais sofisticados para filtrar essas informações e fornecer modelos e projeções climáticas aprimoradas.
Publicado em 20/08/2021 15h35
Artigo original: