Hoje, prever o que o futuro reserva para o clima da Terra significa lidar com as incertezas. Por exemplo, as projeções climáticas centrais do Painel Intergovernamental sobre Mudanças Climáticas (IPCC) determinaram que o aumento da temperatura global dobrou o CO atmosférico ₂ níveis - referidos como "sensibilidade climática" - em qualquer lugar entre 1,5 graus C e 4,5 C. Essa lacuna, que não mudou desde o primeiro relatório do IPCC em 1990, tem profundas implicações para o tipo de eventos ambientais para os quais a humanidade pode querer se preparar.

Parte da incerteza surge devido à variabilidade não forçada - mudanças que ocorreriam mesmo na ausência de aumentos de CO ₂ - mas parte disso surge devido à necessidade de modelos para simular processos complexos como nuvens e convecção. Recentemente, cientistas do clima tentaram estreitar os intervalos de incerteza nos modelos climáticos usando uma revolução recente na ciência da computação. Aprendizado de máquina, que já está sendo implantado para uma série de aplicativos (descoberta de drogas, controle de tráfego aéreo, e software de reconhecimento de voz, por exemplo), agora está se expandindo para a pesquisa climática, com o objetivo de reduzir a incerteza nos modelos climáticos, especificamente no que se refere à sensibilidade ao clima e previsão de tendências regionais, dois dos maiores culpados da incerteza.

Paul O'Gorman, um professor associado do Departamento da Terra do MIT, Ciências Atmosféricas e Planetárias (EAPS) e membro do Programa em Atmosferas, Oceanos e clima, discute onde o aprendizado de máquina se encaixa na modelagem climática, possíveis armadilhas e seus remédios, e áreas nas quais a abordagem provavelmente terá mais sucesso.

P:A sensibilidade ao clima e as mudanças regionais no clima parecem ser uma fonte de frustração para os pesquisadores. Quais são os obstáculos aí, e como o aprendizado de máquina pode ajudar?

R:Os modelos climáticos atuais já são muito úteis por um lado, mas também enfrentam problemas muito desafiadores, dois dos quais você mencionou - sensibilidade climática para a duplicação do dióxido de carbono e aspectos regionais das mudanças no clima, por exemplo, como a chuva muda em um determinado país. Para ambas as questões, gostaríamos de ter modelos climáticos mais precisos, e também precisam ser rápidos porque precisam ser executados por mais de mil anos, tipicamente, apenas para levá-los ao estado climático atual antes de avançar para os climas futuros.

Portanto, é uma questão de precisão e eficiência. Tradicionalmente, modelos climáticos são amplamente baseados na física e química da atmosfera e do oceano, e processos na superfície terrestre. Mas eles não podem incluir tudo o que está acontecendo na atmosfera em escala milimétrica ou menor, então eles têm que incluir algumas fórmulas empíricas. E essas fórmulas empíricas são chamadas de parametrizações. Parametrizações representam processos complexos, como nuvens e convecção atmosférica - um exemplo das quais seriam tempestades - que acontecem em pequenas escalas em comparação com o tamanho da Terra, portanto, são difíceis para os modelos climáticos globais representarem com precisão.

Uma ideia que surgiu nos últimos dois anos é usar o aprendizado de máquina para representar com mais precisão esses aspectos de pequena escala da atmosfera e do oceano. A ideia seria executar um muito caro, modelo de alta resolução que pode resolver o processo no qual você está interessado, por exemplo, nuvens rasas, e usar o aprendizado de máquina para aprender com essas simulações. Esse é o primeiro passo. A segunda etapa seria incorporar o algoritmo aprendido por máquina em um modelo climático para dar, esperançosamente, um modelo climático mais rápido e preciso. E é isso que vários grupos ao redor do mundo estão explorando.

P:Até que ponto o algoritmo aprendido por máquina pode generalizar a partir de uma situação climática, ou uma região, para outro?

R:Esse é um grande ponto de interrogação. O que descobrimos até agora é que se você treinar no clima atual e tentar simular um clima muito mais quente, o algoritmo de aprendizado de máquina falhará porque está se baseando em analogias com situações no clima atual que não se estendem ao clima mais quente com temperaturas mais altas. Por exemplo, as nuvens na atmosfera tendem a aumentar em um clima mais quente. Então, isso é uma limitação se você treinar apenas no clima atual, mas é claro que o treinamento em climas mais quentes em modelos de alta resolução também é possível.

Interessantemente, descobrimos para a convecção atmosférica que se você treinar no clima atual e depois for para um clima mais frio, a abordagem de aprendizado de máquina funciona bem. Portanto, há uma assimetria entre aquecimento ou resfriamento e quão bem esses algoritmos podem generalizar, pelo menos para o caso de convecção atmosférica. A razão pela qual o algoritmo de aprendizado de máquina pode generalizar no caso de um clima de resfriamento é que ele pode encontrar exemplos em latitudes mais altas no clima atual para corresponder aos trópicos do clima mais frio. Portanto, climas diferentes em diferentes regiões do mundo ajudam na generalização das mudanças climáticas.

Outra coisa que pode ajudar são eventos como El Niño, onde a atmosfera global fica, em média, um pouco mais quente, e isso poderia fornecer uma analogia para aprender. Não é uma analogia perfeita com o aquecimento global, mas parte da mesma física pode estar operando em temperaturas mais altas, de modo que pode ser algo que o algoritmo de aprendizado de máquina aproveite automaticamente para ajudar a generalizar para climas mais quentes.

P:Isso significa que existem certas áreas do sistema climático nas quais o aprendizado de máquina funcionará melhor do que em outras?

R:Eu estava sugerindo que devemos treinar nossos algoritmos de aprendizado de máquina em simulações de alta resolução muito caras, mas isso só faz sentido, claro, se tivermos simulações precisas de alta resolução para o processo em que estamos interessados. O que temos estudado - convecção atmosférica - é um bom candidato porque podemos fazer simulações de alta resolução bastante precisas.

Por outro lado, se alguém estiver interessado em, por exemplo, como a superfície da terra responde às mudanças climáticas e como ela interage com a atmosfera acima dela, é mais difícil porque há muita complexidade. Temos diferentes tipos de plantas, solo diferente. É muito heterogêneo. Nesse caso, não é tão fácil obter a verdade com a qual você deseja aprender com os modelos. E então se dissermos, "Nós vamos, para aspectos do sistema climático que não têm simulações caras e precisas, podemos usar observações? "Talvez. Mas então voltamos ao problema de tentar generalizar para um clima diferente. Então, Definitivamente, acho que existem diferentes partes do sistema climático que são mais receptivas à abordagem de aprendizado de máquina do que outras.

Também, alguns aspectos das simulações de modelos climáticos já são muito bons. Os modelos já estão indo bem em simular a dinâmica dos fluidos em grande escala da atmosfera, por exemplo. Portanto, é muito improvável que essas partes dos modelos climáticos sejam substituídas por abordagens de aprendizado de máquina que seriam menos flexíveis do que uma abordagem puramente baseada na física.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.