Los modelos del sistema terrestre son las herramientas más importantes para describir cuantitativamente el estado físico de la Tierra, y, por ejemplo, en el contexto de los modelos climáticos:predecir cómo podría cambiar en el futuro bajo la influencia de las actividades humanas. Un equipo internacional dirigido por Christopher Irrgang del Centro Alemán de Investigación de Geociencias de Potsdam (GFZ) ha investigado cómo los métodos de inteligencia artificial (IA), cada vez más utilizados, pueden ayudar a mejorar estos pronósticos y dónde se encuentran los límites de los dos enfoques, en un artículo de Perspectives para la revista Inteligencia de la máquina de la naturaleza . Una propuesta clave:fusionar ambos enfoques en un "modelado del sistema neural de la Tierra" de autoaprendizaje.

La tierra como sistema:un desafío

El desarrollo de la Tierra es una interacción compleja de muchos factores, incluyendo la superficie terrestre con flora y fauna, los océanos con su ecosistema, las regiones polares, la atmósfera, el ciclo del carbono y otros ciclos biogeoquímicos, y procesos de radiación. Por tanto, los investigadores hablan del sistema terrestre.

Con tantas esferas y factores de influencia interconectados, es un gran desafío predecir escenarios futuros, como se requiere, por ejemplo, en el contexto de la investigación sobre el cambio climático. "Se han logrado enormes avances aquí en los últimos años, "dice Christopher Irrgang, autor principal del estudio e investigador postdoctoral en la sección "Modelado de sistemas terrestres" en el GFZ. Por ejemplo, El sexto Informe de Evaluación del IPCC, publicado recientemente, resume nuestro conocimiento actual de los impactos futuros de varios escenarios de emisión de gases de efecto invernadero con mayor detalle que nunca.

El informe se basa en Por un lado, sobre hallazgos cada vez más completos y detallados de observaciones y mediciones del sistema terrestre para evaluar el calentamiento pasado y sus impactos, por ejemplo en forma de eventos extremos crecientes, y por otro lado en un gran número de simulaciones realizadas con modelos de sistemas terrestres (ESM) de última generación.

Modelado clásico del sistema terrestre con grandes avances

Los modelos del sistema clásico de la Tierra se basan en leyes físicas conocidas y menos conocidas. Con la ayuda de métodos matemáticos y numéricos, el estado de un sistema en un tiempo futuro se calcula a partir de lo que se conoce sobre el estado del sistema en un tiempo presente o pasado.

Los modelos subyacentes han mejorado continuamente en las últimas décadas:se puede tener en cuenta un número sin precedentes de subsistemas y procesos de la Tierra, incluyendo, hasta cierto punto, procesos clave tan complejos como los efectos de las nubes. Su desempeño está demostrado, por ejemplo, por el hecho de que pueden rastrear con precisión el desarrollo de las temperaturas medias globales desde el comienzo de la recopilación de datos. Hoy dia, también es posible derivar conclusiones sobre los efectos del cambio climático a nivel regional.

Limitaciones

El precio, sin embargo, es que los ESM cada vez más complejos requieren inmensos recursos computacionales. A pesar de este desarrollo, incluso las predicciones de los últimos modelos contienen incertidumbres. Por ejemplo, tienden a subestimar la fuerza y ​​frecuencia de los eventos extremos. Los investigadores temen que puedan ocurrir cambios abruptos en ciertos subsistemas de la Tierra, los denominados elementos basculantes en el sistema climático, que los enfoques de modelado clásico no pueden predecir con precisión. Y muchos procesos clave, como el tipo de uso de la tierra o la disponibilidad de agua y nutrientes, (todavía) no se puede representar bien.

Los enfoques de aprendizaje automático están avanzando

Los desafíos de los enfoques clásicos de ESM, sino también las cantidades cada vez mayores de observaciones de la Tierra disponibles, abrir el campo para el uso de la inteligencia artificial. Esto incluye, por ejemplo, métodos de aprendizaje automático (ML) como redes neuronales, bosques aleatorios o máquinas de vectores de apoyo. Su ventaja es que son sistemas de autoaprendizaje que no requieren el conocimiento de las leyes y relaciones físicas, posiblemente muy complejas o ni siquiera conocidas. En lugar de, están capacitados en grandes conjuntos de datos para tareas específicas y aprenden la sistemática subyacente por sí mismos. Este concepto flexible y poderoso se puede extender a casi cualquier complejidad deseada.

Por ejemplo, se puede entrenar una red neuronal para reconocer y clasificar patrones en imágenes de satélite, como estructuras de nubes, remolinos oceánicos o calidad de los cultivos. O aprende a hacer un pronóstico del tiempo basado en registros anteriores, modelos y ecuaciones de equilibrio físico.

"Aunque los primeros estudios demostraron que los conceptos de aprendizaje automático se pueden utilizar para el análisis de imágenes a principios de la década de 1990, la "explosión cámbrica" ​​de la inteligencia artificial en las ciencias de la Tierra y el clima solo se ha estado produciendo desde hace unos cinco años, Irrgang señala. No solo porque los grupos de datos de medición y modelo aumentan a diario y hay más y más bibliotecas de aprendizaje automático listas para usar disponibles.

¿Se puede confiar en los resultados de la inteligencia artificial?

Sin embargo, Queda por ver hasta qué punto este enfoque de autoaprendizaje puede extender o incluso reemplazar los enfoques de modelado clásicos. Porque el aprendizaje automático también, todavía, tiene sus escollos:"Muchas de las aplicaciones actuales de aprendizaje automático para la ciencia del clima son estudios de prueba de concepto que funcionan en un entorno simplificado. Investigaciones adicionales indicarán qué tan bien esto es adecuado para un uso operativo y confiable, "Irrgang resume.

Otro aspecto decisivo:como en una caja negra, la entrada y la salida son conocidas, pero los procesos detrás de ellos para adquirir conocimiento no lo son. Esto causa problemas en la validación de los resultados para la consistencia física, incluso si parecen plausibles. "La interpretabilidad y la explicabilidad son cuestiones importantes en el contexto del aprendizaje automático que deben mejorarse en el futuro para fortalecer la transparencia y la confianza en el método. Especialmente cuando los resultados de las predicciones son una base importante para las decisiones políticas, como es el caso de la investigación climática, Destacan los autores del estudio.

Una tercera vía nueva y en rápida evolución:híbridos de ESM e IA

En la presente publicación, el equipo que rodea al matemático propone una tercera vía:la fusión de los dos enfoques discutidos anteriormente en un "modelado del sistema neural de la Tierra". De este modo, las respectivas fortalezas podrían combinarse y sus límites ampliados. Ya se han dado los primeros pasos prometedores en este camino. Por ejemplo, ML ya no se usa solo para análisis de datos puros, sino también para asumir o acelerar ciertos pasos del proceso dentro del marco de los ESM clásicos. Esto liberaría entonces las capacidades de computación que podrían fluir hacia nuevos refinamientos del modelo.

En el futuro, Las nuevas interfaces pueden establecer un intercambio dinámico de información entre los dos enfoques para que se mejoren continuamente entre sí. Esta profunda extensión de la investigación clásica de la Tierra y el clima basada en procesos eleva el modelado del sistema neuronal terrestre a una rama de investigación nueva y emergente. En esencia, hay un sistema híbrido que puede probar, correcto, y mejorar su consistencia física y, por lo tanto, Permitir predicciones más precisas de procesos geofísicos y climáticos relevantes.

En el presente, Irrgang y sus colegas concluyen que la IA y el enfoque híbrido todavía contienen altos riesgos y trampas, y no está nada claro que la exageración actual en torno al uso de la inteligencia artificial resolverá, al menos por sí misma, los problemas abiertos de la investigación sobre la Tierra y el clima. En todo caso, sin embargo, vale la pena seguir este camino. Para que esto suceda, sin embargo, La estrecha cooperación entre la investigación sobre el clima y la Tierra, por un lado, y los expertos en IA, por otro, será cada vez más importante.