Um estudo de cientistas alemães de Jena e Hamburgo, publicado hoje no jornal Natureza , mostra que a inteligência artificial (IA) pode melhorar substancialmente nossa compreensão do clima e do sistema terrestre. Especialmente o potencial de aprendizagem profunda foi apenas parcialmente esgotado até agora. Em particular, processos dinâmicos complexos, como furacões, propagação do fogo, e a dinâmica da vegetação pode ser melhor descrita com a ajuda da IA. Como resultado, os modelos de clima e sistema terrestre serão melhorados, com novos modelos combinando inteligência artificial e modelagem física.

Nas últimas décadas, principalmente os atributos estáticos foram investigados usando abordagens de aprendizado de máquina, como a distribuição das propriedades do solo da escala local à global. Por algum tempo agora, foi possível lidar com processos mais dinâmicos usando técnicas de aprendizado profundo mais sofisticadas. Isso permite, por exemplo, quantificar a fotossíntese global na terra com consideração simultânea de variações sazonais e de curto prazo.

Deduzindo leis subjacentes de dados de observação

"De uma infinidade de sensores, um dilúvio de dados do sistema terrestre tornou-se disponível, mas até agora temos ficado para trás em análise e interpretação, "explica Markus Reichstein, diretor administrativo do Instituto Max Planck de Biogeoquímica em Jena, membro do conselho diretor do Michael-Stifel-Center Jena (MSCJ) e primeiro autor da publicação. "É aqui que as técnicas de aprendizagem profunda se tornam uma ferramenta promissora, além dos aplicativos clássicos de aprendizado de máquina, como reconhecimento de imagem, processamento de linguagem natural ou AlphaGo, "acrescenta o coautor Joachim Denzler, do Computer Vision Group da Friedrich Schiller University Jena (FSU) e membro do MSCJ. Exemplos de aplicação são eventos extremos, como incêndios ou furacões, que são processos muito complexos influenciados pelas condições locais, mas também pelo seu contexto temporal e espacial. Isso também se aplica ao transporte atmosférico e marítimo, movimento do solo, e dinâmica da vegetação, alguns dos tópicos clássicos da ciência do sistema terrestre.

Inteligência artificial para melhorar os modelos de clima e sistema terrestre

Contudo, abordagens de aprendizagem profunda são difíceis. Todas as abordagens baseadas em dados e estatísticas não garantem a consistência física per se, são altamente dependentes da qualidade dos dados, e pode ter dificuldades com extrapolações. Além do mais, a necessidade de processamento de dados e capacidade de armazenamento é muito alta. A publicação discute todos esses requisitos e obstáculos e desenvolve uma estratégia para combinar com eficiência o aprendizado de máquina com a modelagem física. Se ambas as técnicas forem reunidas, os chamados modelos híbridos são criados. Eles podem, por exemplo, ser usados ​​para modelar o movimento da água do oceano para prever a temperatura da superfície do mar. Embora as temperaturas sejam modeladas fisicamente, o movimento da água do oceano é representado por uma abordagem de aprendizado de máquina. “A ideia é combinar o melhor de dois mundos, a consistência dos modelos físicos com a versatilidade do aprendizado de máquina, para obter modelos bastante aprimorados, "Markus Reichstein explica mais detalhadamente.

Os cientistas afirmam que a detecção e o alerta precoce de eventos extremos, bem como a previsão sazonal e de longo prazo e a projeção do tempo e do clima se beneficiarão fortemente das abordagens discutidas de aprendizado profundo e modelagem híbrida.