Os modelos do sistema terrestre são as ferramentas mais importantes para descrever quantitativamente o estado físico da Terra, e, por exemplo, no contexto dos modelos climáticos - prevendo como isso pode mudar no futuro sob a influência das atividades humanas. Como os métodos cada vez mais usados ​​de inteligência artificial (IA) podem ajudar a melhorar essas previsões e onde estão os limites das duas abordagens foi investigado por uma equipe internacional liderada por Christopher Irrgang do Centro Alemão de Pesquisa de Geociências de Potsdam (GFZ) em um artigo de Perspectivas para a revista Nature Machine Intelligence . Uma proposta importante:fundir as duas abordagens em uma "modelagem do sistema neural da Terra" de autoaprendizagem.

A Terra como um sistema - um desafio

O desenvolvimento da Terra é uma interação complexa de muitos fatores, incluindo a superfície terrestre com flora e fauna, os oceanos com seu ecossistema, as regiões polares, a atmosfera, o ciclo do carbono e outros ciclos biogeoquímicos, e processos de radiação. Os pesquisadores, portanto, falam do sistema terrestre.

Com tantas esferas e fatores de influência interconectados, é um grande desafio prever cenários futuros, como é necessário, por exemplo, no contexto da investigação sobre as alterações climáticas. "Um enorme progresso foi feito aqui nos últimos anos, "diz Christopher Irrgang, autora principal do estudo e pesquisadora de pós-doutorado na seção "Modelagem do Sistema Terrestre" do GFZ. Por exemplo, o sexto relatório de avaliação do IPCC publicado recentemente resume nosso conhecimento atual dos impactos futuros de vários cenários de emissão de gases de efeito estufa com mais detalhes do que nunca.

O relatório depende, por um lado, em descobertas cada vez mais abrangentes e detalhadas de observações e medições do sistema terrestre para avaliar o aquecimento anterior e seus impactos, por exemplo, na forma de aumento de eventos extremos, e, por outro lado, um grande número de simulações realizadas com modelos de sistemas terrestres de última geração (ESMs).

Modelagem do sistema clássico da Terra com grande progresso

Os modelos clássicos do sistema terrestre baseiam-se em leis físicas conhecidas e menos conhecidas. Com a ajuda de métodos matemáticos e numéricos, o estado de um sistema em um momento futuro é calculado a partir do que se sabe sobre o estado do sistema em um momento presente ou passado.

Os modelos subjacentes têm melhorado continuamente nas últimas décadas:um número sem precedentes de subsistemas e processos da Terra pode ser levado em consideração, incluindo - até certo ponto - processos-chave complexos como os efeitos das nuvens. Seu desempenho é demonstrado, por exemplo, pelo fato de que eles podem rastrear com precisão o desenvolvimento das temperaturas médias globais desde o início da coleta de dados. Hoje, também é possível tirar conclusões sobre os efeitos das mudanças climáticas em nível regional.

Limitações

O preço, Contudo, é que os ESMs cada vez mais complexos requerem imensos recursos computacionais. Apesar deste desenvolvimento, mesmo as previsões dos modelos mais recentes contêm incertezas. Por exemplo, eles tendem a subestimar a força e a frequência de eventos extremos. Os pesquisadores temem que mudanças abruptas possam ocorrer em certos subsistemas da Terra, os chamados elementos de inflexão no sistema climático, que as abordagens clássicas de modelagem não podem prever com precisão. E muitos processos-chave, como o tipo de uso da terra ou a disponibilidade de água e nutrientes, não pode (ainda) ser bem representado.

Abordagens de aprendizado de máquina estão fazendo incursões

Os desafios das abordagens clássicas de ESM, mas também as quantidades cada vez maiores de observações disponíveis da Terra, abrir o campo para o uso da inteligência artificial. Isso inclui, por exemplo, métodos de aprendizado de máquina (ML), como redes neurais, florestas aleatórias ou máquinas de vetor de suporte. Sua vantagem é que são sistemas de autoaprendizagem que não requerem conhecimento das - possivelmente muito complexas ou mesmo totalmente conhecidas - leis e relacionamentos físicos. Em vez de, eles são treinados em grandes conjuntos de dados para tarefas específicas e aprendem eles próprios a sistemática subjacente. Este conceito flexível e poderoso pode ser estendido a quase qualquer complexidade desejada.

Por exemplo, uma rede neural pode ser treinada para reconhecer e classificar padrões em imagens de satélite, como estruturas de nuvem, redemoinhos oceânicos ou qualidade da colheita. Ou aprende a fazer uma previsão do tempo com base em registros anteriores, modelos e equações de equilíbrio físico.

"Embora os primeiros estudos tenham mostrado que os conceitos de aprendizado de máquina podem ser usados ​​para análise de imagens já no início dos anos 1990, a "explosão cambriana" de IA nas ciências da Terra e do clima só ocorre há cerca de cinco anos, "Observações do Irrgang. Até porque os pools de dados de medição e modelo estão crescendo diariamente e cada vez mais bibliotecas de ML prontas para uso estão disponíveis.

Pode-se confiar nos resultados da inteligência artificial?

Contudo, ainda não se sabe até que ponto essa abordagem de autoaprendizagem pode realmente estender ou até mesmo substituir as abordagens clássicas de modelagem. Porque o aprendizado de máquina também - ainda - tem suas armadilhas:"Muitos dos aplicativos de ML atuais para ciência do clima são estudos de prova de conceito que funcionam em um ambiente simplificado. Pesquisas futuras dirão como isso é adequado para uso operacional e confiável, "Irrgang resume.

Outro aspecto decisivo:como em uma caixa preta, entrada e saída são conhecidas, mas os processos por trás deles para obter conhecimento, não. Isso causa problemas na validação dos resultados quanto à consistência física, mesmo que pareçam plausíveis. "A interpretabilidade e a explicabilidade são questões importantes no contexto do aprendizado de máquina que precisam ser melhoradas no futuro para fortalecer a transparência e a confiança no método. Especialmente quando os resultados das previsões são uma base importante para decisões políticas, como é o caso da pesquisa climática, "enfatizam os autores do estudo.

Uma terceira via nova e em rápida evolução:híbridos de ESM e IA

Na presente publicação, a equipe em torno do matemático propõe uma terceira via:a fusão das duas abordagens discutidas acima em uma "modelagem do sistema neural da Terra". Desta maneira, as respectivas forças poderiam ser combinadas e seus limites estendidos. Os primeiros passos promissores nesse caminho já foram dados. Por exemplo, ML não é mais usado apenas para análise de dados pura, mas também para assumir ou acelerar certas etapas do processo dentro da estrutura dos ESMs clássicos. Isso, então, liberaria capacidades de computação que poderiam fluir para outros refinamentos do modelo.

No futuro, novas interfaces podem estabelecer uma troca dinâmica de informações entre as duas abordagens, de modo que elas se aprimorem continuamente. Esta profunda extensão da pesquisa clássica baseada em processos da Terra e do clima eleva a Modelagem Neural do Sistema Terrestre a um ramo de pesquisa novo e emergente. Em seu núcleo estão sistemas híbridos que podem testar, correto, e melhorar sua consistência física e, portanto, permitem previsões mais precisas de processos geofísicos e climáticos relevantes.

Atualmente, Irrgang e seus colegas concluem que a IA e a abordagem híbrida ainda contêm altos riscos e armadilhas, e está longe de ser claro que o atual exagero em torno do uso da inteligência artificial irá - pelo menos por conta própria - resolver os problemas abertos da pesquisa da Terra e do clima. Em todo o caso, Contudo, vale a pena trilhar esse caminho. Para que isso aconteça, Contudo, A estreita cooperação entre a pesquisa do clima e da Terra, por um lado, e os especialistas em IA, por outro, se tornará cada vez mais importante.