Inteligencia artificial para impulsar la ciencia del sistema terrestre

Un nuevo estudio muestra que la inteligencia artificial puede mejorar sustancialmente nuestra comprensión del clima y el sistema de la Tierra



Inteligencia artificial para impulsar la ciencia del sistema terrestre
Inteligencia Artificial. Intercambio de CO2 impulsado por el clima: los colores espectrales muestran las anomalías en el intercambio de CO2 en la tierra durante los años de El Niño. Los datos FLUXNET se han escalado mediante aprendizaje automático. Las anomalías de radiación se muestran en rojo, las anomalías de temperatura en verde y las anomalías de agua en azul.

Se trata de un estudio realizado por científicos alemanes de Jena y Hamburgo, publicado hoy en la revista Nature. Muestra que la inteligencia artificial (IA) puede mejorar sustancialmente nuestra comprensión del clima y el sistema de la Tierra. Especialmente el potencial de aprendizaje profundo solo se ha agotado parcialmente hasta ahora. En particular, los procesos dinámicos complejos, como los huracanes, la propagación de incendios y la dinámica de la vegetación, se pueden describir mejor con la ayuda de la inteligencia artificial. Como resultado, se mejorarán los modelos del sistema terrestre y climático, con nuevos que combinan inteligencia artificial y modelado físico.

En las últimas décadas, se han investigado principalmente los atributos estáticos utilizando enfoques de aprendizaje automático. Como la distribución de las propiedades del suelo desde la escala local a la global. Desde hace algún tiempo, ha sido posible abordar procesos más dinámicos utilizando técnicas de aprendizaje profundo más sofisticadas. Esto permite, por ejemplo, cuantificar la fotosíntesis global en tierra con consideración simultánea de las variaciones estacionales y de corto plazo.

Deducir las leyes subyacentes de los datos de observación

«Desde una plétora de sensores, se ha puesto a disposición un diluvio de datos del sistema terrestre. Pero hasta ahora nos hemos quedado rezagados en el análisis y la interpretación».

Explica Markus Reichstein, director gerente del Instituto Max Planck de Biogeoquímica en Jena, directorio. Miembro del Michael-Stifel-Center Jena (MSCJ) y primer autor de la publicación.

«Aquí es donde las técnicas de aprendizaje profundo se convierten en una herramienta prometedora, más allá de las aplicaciones clásicas de aprendizaje automático. Tales como el reconocimiento de imágenes, el procesamiento de lenguaje natural o AlphaGo»

Agrega el coautor Joachim Denzler del Computer Vision Group de Friedrich Schiller University Jena (FSU) y miembro de MSCJ.

Algunos ejemplos de aplicación son los eventos extremos, como la propagación de incendios o los huracanes. Son procesos muy complejos influenciados por las condiciones locales pero también por su contexto temporal y espacial. Esto también se aplica al transporte atmosférico y oceánico, el movimiento del suelo y la dinámica de la vegetación. Ellos constituyen algunos de los temas clásicos de la ciencia del sistema de la Tierra.

Inteligencia artificial para mejorar el clima y los modelos del sistema terrestre.

Sin embargo, los enfoques de aprendizaje profundo son difíciles. Todos los enfoques estadísticos y basados en datos no garantizan la coherencia física per se. Dependen en gran medida de la calidad de los datos y pueden experimentar dificultades con las extrapolaciones. Además, el requisito para el procesamiento de datos y la capacidad de almacenamiento es muy alto. La publicación analiza todos estos requisitos y obstáculos y desarrolla una estrategia para combinar de manera eficiente el aprendizaje automático con el modelado físico. Si ambas técnicas se juntan, se crean los llamados modelos híbridos. Por ejemplo, pueden usarse para modelar el movimiento del agua del océano para predecir la temperatura de la superficie del mar. Mientras que las temperaturas se modelan físicamente, el movimiento del agua del océano está representado por un enfoque de aprendizaje automático.

«La idea es combinar lo mejor de dos mundos. La consistencia de los modelos físicos con la versatilidad del aprendizaje automático. Y, de esta manera, obtener modelos enormemente mejorados».

Explica Markus Reichstein

Los científicos sostienen que la detección y alerta temprana de eventos extremos, así como la predicción estacional y a largo plazo, y la proyección del clima y el clima se beneficiarán enormemente de los enfoques de aprendizaje profundo y modelos híbridos discutidos.


Sea el primero en comentar

Deje una respuesta

Su dirección de E-mail no será publicada.


*