p O que faz um neurônio? Na década de 1940, no alvorecer da era do computador, os pesquisadores deram à palavra um segundo significado. No caso de redes neurais, os neurônios artificiais que os compõem são mais simples do que se poderia esperar:estruturar uma unidade de código para receber informações, julgue a informação, passe adiante, em seguida, junte milhares ou milhões desses "neurônios" e observe enquanto eles começam a exibir um comportamento que poderia ser descrito como uma forma de inteligência. Redes neurais artificiais são usadas ao nosso redor, de tradutores de idiomas a software de reconhecimento facial e feeds de conteúdo personalizado que oferecemos nas redes sociais. p As redes neurais começaram a encontrar uso na glaciologia, tornando-se uma nova ferramenta crítica no estudo das mudanças climáticas e seus efeitos no recuo das geleiras. Uma publicação recente em A criosfera libera e avalia uma nova rede neural conhecida como Calving Front Machine (CALFIN), um programa capaz de identificar automaticamente as frentes de parto de geleiras que terminam no oceano a partir de décadas de imagens de satélite. Programas como o CALFIN podem tornar possível catalogar e monitorar as taxas de perda de geleiras em todo o mundo, mesmo em locais que os cientistas não puderam estudar manualmente.

p Daniel Cheng, um Ph.D. estudante de ciência da computação na Universidade da Califórnia, Irvine e o principal autor desta publicação, levou o desenvolvimento do CALFIN a um sucesso retumbante. Esta rede neural é capaz de reconhecer e medir as bordas das geleiras em imagens de satélite da superfície da Terra quase tão bem quanto um cientista treinado, exceto que é autônomo, rápido, e pode processar com segurança incontáveis ​​mais geleiras do que qualquer ser humano jamais poderia.

p As redes neurais artificiais são ferramentas notavelmente poderosas, dada a simplicidade de seus componentes principais. Construído em uma estrutura de entradas e saídas, cada neurônio individual pode receber saídas de vários neurônios por trás dele, em seguida, avance para pesar cada pedaço de informação e sintetizá-los todos em um novo, saída única. Este processo simples, regido por regras relativamente básicas de estatísticas, torna-se capaz de resolver problemas extraordinariamente complexos quando empilhados e repetidos vezes suficientes. Tarefas que antes eram pesadas para um programa de computador, como identificar características de imagens, agora se tornou possível, precisamente a capacidade necessária para medir o recuo das geleiras a partir dos vastos conjuntos de dados produzidos por pesquisas de satélite.

p Antes que uma rede neural tenha visto sua tarefa atribuída (identificação de frentes de parto, para CALFIN), seus neurônios serão inábeis em reconhecer padrões para chegar às conclusões corretas (neste caso, onde exatamente a frente de parto está localizada na imagem). Em um paralelo notável ao aprendizado em bebês humanos, As redes neurais podem ser ensinadas - um processo conhecido como "treinamento" - a realizar tarefas com sucesso, vendo centenas ou milhares dessas conclusões corretas. Em termos mais técnicos, cada exemplo correto sucessivo que a rede neural vê durante o treinamento permite que ela refine os parâmetros individuais em cada neurônio, que dá a toda a rede a capacidade de replicar esse caminho quando mostrado um novo, exemplo desconhecido.

p CALFIN foi treinado para reconhecer frentes de parto usando dezenas de milhares de imagens, levando mais de uma semana e meia para concluir o treinamento e processar o conjunto de dados completo, que abrange 66 bacias da Groenlândia e contém imagens de 1972 a 2019 (incluindo 22, 678 frentes de parto totais). O cérebro humano pode levar meses para dominar uma tarefa de reconhecimento de padrões; a rede neural CALFIN precisa apenas de alguns dias. Após o treinamento, O CALFIN foi capaz de medir as frentes de parto com uma média de 82 metros de suas verdadeiras localizações, uma melhoria em relação aos modelos anteriores que exibiam erros de mais de duas vezes essa distância neste conjunto de dados.

p William Colgan, um climatologista pesquisador do Serviço Geológico da Dinamarca e Groenlândia, está entusiasmado com o progresso dessa tecnologia no monitoramento desses ambientes glaciais em rápida mudança. "Eu diria que o big data - aprendizado de máquina em geral - vai realmente mudar a forma como monitoramos a camada de gelo da Groenlândia, "escreveu Colgan em uma entrevista ao GlacierHub. Ele descreveu como o monitoramento histórico de geleiras foi focado em geleiras de" referência ", estudado manualmente por pesquisadores da área, e não confiável quando ampliado para entender as tendências regionais. "Acho que o aprendizado de máquina agora oferece uma maneira robusta de aumentar a escala de um punhado de observações específicas do local e no nível do processo para contar uma história regional maior."

p O autor principal, Cheng, estava focado em capacidades regionais mais amplas ao longo do desenvolvimento do CALFIN, conforme ele descreve que "o principal objetivo e preocupação era garantir que o CALFIN pudesse lidar com a ampla variedade de ambientes, geografia, e questões como nuvens ou sombras. "CALFIN certamente alcançou esse objetivo. Assim como o cérebro humano pode reconhecer a identidade de uma pessoa, mesmo quando parte de seu rosto está sob a luz do sol forte e parte em sombras profundas, O CALFIN também pode usar seu treinamento para trabalhar através de uma imagem imperfeita ou parcialmente sombreada e obter a conclusão correta.

p Cheng não pretende parar aqui, Contudo, com as próximas etapas para CALFIN, incluindo melhorar a precisão da rede neural, extraindo diferentes recursos, como linhas costeiras ou icebergs, e expandindo sua contagem atual de quase 23, 000 imagens analisadas.

p O futuro da glaciologia pode em breve se tornar um esforço conjunto entre pesquisadores humanos e inteligência artificial, com glaciologistas usando as vantagens da intuição humana e do poder de computação da rede neural para reforçar sua busca por compreensão. Como Colgan explica, o aprendizado de máquina é ótimo, mas sempre precisa de dados de treinamento. A inteligência artificial pode não ser capaz de coletar observações de referência, mas promete tornar essas observações mais cientificamente valiosas e aumentar a eficiência do monitoramento glacial. A taxa de perda de gelo da Groenlândia neste século será maior do que em qualquer outro nos últimos 12, 000 anos. Com consequências neste túmulo, os glaciologistas precisam de todos os recursos disponíveis. p Esta história é republicada por cortesia do Earth Institute, Columbia University http://blogs.ei.columbia.edu.