• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Naturaleza
    Cómo el aprendizaje automático está ayudando a los investigadores a ajustar los modelos climáticos para alcanzar detalles sin precedentes

    Este diagrama muestra el área cubierta por el satélite FODA después de tres días en órbita. Aunque FODA permite mediciones de alta precisión, las áreas vecinas en el océano no se muestrean con tanta frecuencia. Crédito:C. Ubelmann / CLS

    Desde sugerencias de películas hasta vehículos autónomos, el aprendizaje automático ha revolucionado la vida moderna. Los expertos ahora lo están utilizando para ayudar a resolver uno de los mayores problemas de la humanidad:el cambio climático.

    Con el aprendizaje automático, Podemos utilizar nuestra abundancia de datos y observaciones climáticas históricas para mejorar las predicciones del clima futuro de la Tierra. Y estas predicciones tendrán un papel importante en la disminución de nuestro impacto climático en los próximos años.

    ¿Qué es el aprendizaje automático?

    El aprendizaje automático es una rama de la inteligencia artificial. Si bien se ha convertido en una especie de palabra de moda, es esencialmente un proceso de extracción de patrones de datos.

    Los algoritmos de aprendizaje automático utilizan conjuntos de datos disponibles para desarrollar un modelo. Luego, este modelo puede realizar predicciones basadas en datos nuevos que no formaban parte del conjunto de datos original.

    Volviendo a nuestro problema climático, Hay dos enfoques principales mediante los cuales el aprendizaje automático puede ayudarnos a comprender mejor el clima:observaciones y modelado.

    En años recientes, la cantidad de datos disponibles de modelos climáticos y de observación ha crecido exponencialmente. Es imposible que los humanos pasen por todo esto. Afortunadamente, las máquinas pueden hacer eso por nosotros.

    Observaciones desde el espacio

    Los satélites monitorean continuamente la superficie del océano, dando a los científicos información útil sobre cómo están cambiando los flujos oceánicos.

    Impresión artística del satélite FODA. Crédito:NASA / CERN, CC BY

    La misión satelital de superficie acuática y topografía oceánica (FODA) de la NASA, programada para ser lanzada a fines del próximo año, tiene como objetivo observar la superficie del océano con un detalle sin precedentes en comparación con los satélites actuales.

    Pero un satélite no puede observar todo el océano a la vez. Solo puede ver la porción de océano debajo de él. Y el satélite FODA necesitará 21 días para recorrer todos los puntos del mundo.

    ¿Hay alguna forma de completar los datos que faltan? para que podamos tener una imagen global completa de la superficie del océano en cualquier momento dado?

    Aquí es donde entra en juego el aprendizaje automático. Los algoritmos de aprendizaje automático pueden utilizar los datos recuperados por el satélite FODA para predecir los datos faltantes entre cada revolución FODA.

    Obstáculos en la modelización climática

    Las observaciones nos informan del presente. Sin embargo, para predecir el clima futuro debemos confiar en modelos climáticos integrales.

    El último informe climático del IPCC se basó en proyecciones climáticas de varios grupos de investigación de todo el mundo. Estos investigadores ejecutaron una multitud de modelos climáticos que representan diferentes escenarios de emisiones que arrojaron proyecciones a cientos de años en el futuro.

    Para modelar el clima, las computadoras superponen una cuadrícula computacional en los océanos, atmósfera y tierra. Luego, empezando por el clima de hoy, pueden resolver las ecuaciones de movimiento de fluidos y calor dentro de cada cuadro de esta cuadrícula para modelar cómo evolucionará el clima en el futuro.

    El tamaño de cada cuadro en la cuadrícula es lo que llamamos la "resolución" del modelo. Cuanto menor sea el tamaño de la caja, cuanto más finos sean los detalles del flujo que el modelo pueda capturar.

    Aquí, puede ver las corrientes de la superficie del océano modeladas en dos resoluciones diferentes. A la izquierda hay un modelo similar a los que se utilizan normalmente para las proyecciones climáticas. El modelo de la derecha es mucho más preciso y realista, pero, lamentablemente, es demasiado restrictivo desde el punto de vista computacional para ser utilizado en proyecciones climáticas. Crédito:COSIMA, Autor proporcionado

    Pero ejecutar modelos climáticos que se proyectan hacia adelante cientos de años pone de rodillas incluso a las supercomputadoras más poderosas. Por lo tanto, Actualmente nos vemos obligados a ejecutar estos modelos con una resolución aproximada. De hecho, a veces es tan burdo que el flujo no se parece en nada a la vida real.

    Por ejemplo, Los modelos oceánicos utilizados para las proyecciones climáticas generalmente se parecen al de la izquierda a continuación. Pero en la realidad, el flujo del océano se parece mucho más a la imagen de la derecha.

    Desafortunadamente, Actualmente no tenemos la potencia computacional necesaria para ejecutar modelos climáticos realistas y de alta resolución para proyecciones climáticas.

    Los científicos del clima están tratando de encontrar formas de incorporar los efectos de la multa, movimientos turbulentos a pequeña escala en la imagen de arriba a la derecha en el modelo climático de resolución gruesa de la izquierda.

    Si podemos hacer esto, podemos generar proyecciones climáticas más precisas, aún así computacionalmente factible. Esto es lo que llamamos "parametrización", el santo grial del modelado climático.

    Simplemente, aquí es cuando podemos lograr un modelo que no necesariamente incluye todas las características de flujo complejo a menor escala (que requieren grandes cantidades de potencia de procesamiento), pero que aún puede integrar sus efectos en el modelo general de una manera más simple y económica.

    Una imagen más clara

    Algunas parametrizaciones ya existen en modelos de resolución aproximada, pero a menudo no hacen un buen trabajo integrando las funciones de flujo de menor escala de una manera eficaz.

    Los algoritmos de aprendizaje automático pueden utilizar resultados de modelos climáticos de alta resolución (como el de la derecha) para desarrollar parametrizaciones mucho más precisas.

    A medida que nuestra capacidad computacional crezca, junto con nuestros datos climáticos, podremos utilizar algoritmos de aprendizaje automático cada vez más sofisticados para examinar esta información y ofrecer modelos y proyecciones climáticas mejorados.

    Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.




    © Ciencia https://es.scienceaq.com