Hoy dia, predecir lo que el futuro tiene reservado para el clima de la Tierra significa lidiar con las incertidumbres. Por ejemplo, las proyecciones climáticas centrales del Panel Intergubernamental sobre Cambio Climático (IPCC) han puesto el aumento de temperatura global de una duplicación del CO atmosférico ₂ niveles, denominados "sensibilidad climática", en cualquier lugar entre 1,5 grados C y 4,5 C. Esa brecha, que no ha cambiado desde el primer informe del IPCC en 1990, tiene profundas implicaciones para el tipo de eventos ambientales para los que la humanidad puede querer prepararse.

Parte de la incertidumbre surge debido a la variabilidad no forzada, cambios que ocurrirían incluso en ausencia de aumentos en el CO ₂ —Pero parte de esto surge debido a la necesidad de modelos para simular procesos complejos como las nubes y la convección. Recientemente, Los científicos del clima han tratado de reducir los rangos de incertidumbre en los modelos climáticos utilizando una revolución reciente en la ciencia de la computación. Aprendizaje automático, que ya se está implementando para una gran cantidad de aplicaciones (descubrimiento de fármacos, control de tráfico aéreo, y software de reconocimiento de voz, por ejemplo), ahora se está expandiendo a la investigación climática, con el objetivo de reducir la incertidumbre en los modelos climáticos, específicamente en lo que se refiere a la sensibilidad climática y la predicción de tendencias regionales, dos de los mayores culpables de la incertidumbre.

Paul O'Gorman, profesor asociado en el Departamento de Tierra del MIT, Ciencias Atmosféricas y Planetarias (EAPS) y miembro del Programa de Atmósferas, Océanos y Clima, analiza dónde encaja el aprendizaje automático en el modelado climático, posibles trampas y sus remedios, y áreas en las que es probable que el enfoque tenga más éxito.

P:La sensibilidad climática y los cambios regionales en el clima parecen ser una fuente de frustración para los investigadores. ¿Cuáles son los obstáculos allí? y ¿cómo puede ayudar el aprendizaje automático?

R:Los modelos climáticos actuales ya son muy útiles, por un lado, pero también se enfrentan a problemas muy desafiantes, dos de los cuales mencionó:la sensibilidad climática para duplicar el dióxido de carbono y los aspectos regionales de los cambios en el clima, por ejemplo, cómo cambia la lluvia en un país determinado. Para ambos temas, nos gustaría tener modelos climáticos más precisos, y también tienen que ser rápidos porque tienen que ser ejecutados por más de mil años, típicamente, solo para llegar a ellos en el estado climático actual antes de avanzar hacia climas futuros.

Por tanto, es una cuestión de precisión y eficacia. Tradicionalmente, Los modelos climáticos se basan en gran medida en la física y la química de la atmósfera y el océano, y procesos en la superficie terrestre. Pero no pueden incluir todo lo que está sucediendo en la atmósfera en una escala milimétrica o más pequeña, por lo que deben incluir algunas fórmulas empíricas. Y esas fórmulas empíricas se llaman parametrizaciones. Las parametrizaciones representan procesos complejos, como las nubes y la convección atmosférica, un ejemplo de las cuales serían las tormentas eléctricas, que ocurren a escalas pequeñas en comparación con el tamaño de la Tierra, por lo que son difíciles de representar con precisión para los modelos climáticos globales.

Una idea que ha pasado a primer plano en los últimos años es utilizar el aprendizaje automático para representar con mayor precisión estos aspectos a pequeña escala de la atmósfera y el océano. La idea sería ejecutar un modelo de alta resolución que puede resolver el proceso que le interesa, por ejemplo, nubes poco profundas, y luego use el aprendizaje automático para aprender de esas simulaciones. Ese es el primer paso. El segundo paso sería incorporar el algoritmo de aprendizaje automático en un modelo climático para dar, Ojalá, un modelo climático más rápido y preciso. Y eso es lo que están explorando varios grupos de todo el mundo.

P:¿Hasta qué punto puede generalizarse el algoritmo de aprendizaje automático a partir de una situación climática, o una región, ¿a otro?

R:Ese es un gran signo de interrogación. Lo que hemos descubierto hasta ahora es que si entrena en el clima actual y luego intenta simular un clima mucho más cálido, el algoritmo de aprendizaje automático fallará porque se basa en analogías con situaciones en el clima actual que no se extienden al clima más cálido con temperaturas más altas. Por ejemplo, las nubes en la atmósfera tienden a subir más en un clima más cálido. Así que esa es una limitación si solo entrena en el clima actual, pero, por supuesto, también es posible la formación en climas más cálidos en modelos de alta resolución.

Curiosamente, encontramos para la convección atmosférica que si entrenas en el clima actual y luego vas a un clima más frío, el enfoque de aprendizaje automático funciona bien. Por lo tanto, existe una asimetría entre el calentamiento o el enfriamiento y qué tan bien se pueden generalizar estos algoritmos, al menos para el caso de la convección atmosférica. La razón por la que el algoritmo de aprendizaje automático puede generalizarse en el caso de un clima frío es que puede encontrar ejemplos en latitudes más altas en el clima actual para coincidir con los trópicos del clima más frío. Entonces, los diferentes climas en diferentes regiones del mundo ayudan con la generalización del cambio climático.

The other thing that may help is events like El Niño, where the global atmosphere on average gets a bit warmer, and so that could provide an analogy from which to learn. It's not a perfect analogy with global warming, but some of the same physics may be operating at higher temperatures so that could be something that the machine learning algorithm would automatically leverage to help to generalize to warmer climates.

Q:Does that mean there are certain areas of the climate system that machine learning will work better for versus others?

A:I was suggesting that we should train our machine learning algorithms on very expensive high-resolution simulations, but that only makes sense, por supuesto, if we have accurate high-resolution simulations for the process we are interested in. What we've been studying—atmospheric convection—is a good candidate because we can do quite accurate high-resolution simulations.

Por otra parte, if one was interested in, por ejemplo, how the land surface responds to climate change and how it interacts with the atmosphere above it, it's more difficult because there's lots of complexity. We have different types of plants, different soil. It's very heterogeneous. It's not as straightforward to get the truth from which you want to learn from models in that case. And then if we say, "Bien, for aspects of the climate system that don't have accurate expensive simulations, can we instead use observations?" Perhaps. But then we come back to the problem of trying to generalize to a different climate. So, I definitely think there are different parts of the climate system that are more amenable to the machine learning approach than others.

También, some aspects of climate model simulations are already very good. Models are already doing well in simulating the large scale fluid dynamics of the atmosphere, por ejemplo. So those parts of climate models are very unlikely to be replaced with machine learning approaches that would be less flexible than a purely physics-based approach.

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.