CIENCIA. Cómo la IA está mejorando las previsiones climáticas

Cómo la IA está mejorando las previsiones climáticas

 

Ilustración: Jasiek Krzysztofiak. Huracán: Rawpixel; Globo/código informático: Pexels; Mapa meteorológico: Departamento de Comercio de EE.UU., Oficina Meteorológica (CC BY 2.0)

Los investigadores están utilizando varias estrategias de aprendizaje automático para acelerar la modelización climática, reducir sus costes energéticos y, con suerte, mejorar la precisión.

09 abril 2024.- El científico climático Tapio Schneider está encantado de que el aprendizaje automático le haya quitado la monotonía de su día. Cuando comenzó a modelar cómo se forman las nubes, hace más de una década, esto implicó principalmente ajustar minuciosamente ecuaciones que describen cómo interactúan las gotas de agua, el flujo de aire y la temperatura. Pero desde 2017, el aprendizaje automático y la inteligencia artificial (IA) han transformado su forma de trabajar.

"El aprendizaje automático hace que esta ciencia sea mucho más divertida", afirma Schneider, que trabaja en el Instituto de Tecnología de California en Pasadena. "Es mucho más rápido, más satisfactorio y puedes obtener mejores soluciones".

Los modelos climáticos convencionales son construidos manualmente desde cero por científicos como Schneider, que utilizan ecuaciones matemáticas para describir los procesos físicos mediante los cuales la tierra, los océanos y el aire interactúan y afectan el clima. Estos modelos funcionan lo suficientemente bien como para hacer proyecciones climáticas que orienten la política global.

Pero los modelos dependen de potentes supercomputadoras, tardan semanas en funcionar y consumen mucha energía. Un modelo típico consume hasta 10 megavatios hora de energía para simular un siglo de clima. En promedio, esa es aproximadamente la cantidad de electricidad que utiliza anualmente un hogar estadounidense. Además, estos modelos tienen dificultades para simular procesos a pequeña escala, como la forma en que se forman las gotas de lluvia, que a menudo tienen un papel importante en los resultados meteorológicos y climáticos a gran escala.

La rama de la IA llamada aprendizaje automático (en la que los programas informáticos aprenden detectando patrones en conjuntos de datos) se ha mostrado prometedora en el pronóstico del tiempo y ahora está interviniendo para ayudar con estos problemas en la modelización climática.

Pero aún quedan obstáculos por superar, incluido convencer a todos de que los modelos basados ​​en el aprendizaje automático están acertando en sus proyecciones.

Los investigadores están utilizando la IA para modelar el clima de tres formas principales. El primer enfoque implica el desarrollo de modelos de aprendizaje automático llamados emuladores, que producen los mismos resultados que los modelos convencionales sin tener que realizar todos los cálculos matemáticos.

Piense en un modelo climático convencional como un programa de computadora que puede calcular dónde caerá una pelota en función de factores físicos, como con qué fuerza se lanza, desde dónde se lanza y qué tan rápido gira. Los emuladores pueden considerarse equivalentes a un deportista que aprende los patrones en todos esos resultados modelados y luego es capaz de predecir, sin tener que hacer todos los cálculos, dónde aterrizará la pelota.

En un estudio de 2023, el científico climático Vassili Kitsios de la Organización de Investigación Científica e Industrial de la Commonwealth en Melbourne, Australia, y sus colegas desarrollaron 15 modelos de aprendizaje automático que podrían emular 15 modelos de la atmósfera basados ​​en la física 1 . Entrenaron su sistema, llamado QuickClim, utilizando las proyecciones de los modelos físicos de la temperatura del aire en la superficie hasta el año 2100 para dos vías de concentración de carbono atmosférico: un escenario de bajas y altas emisiones de carbono. Entrenar cada modelo tomó unos 30 minutos en una computadora portátil, dice Kitsios. Luego, los investigadores pidieron a los modelos QuickClim que pronosticaran temperaturas en un escenario medio de emisiones de carbono, que los modelos no habían visto durante el entrenamiento. Los resultados coincidieron estrechamente con los de los modelos convencionales basados ​​en la física.

Fuente: Ref. 1

Una vez entrenado con los tres escenarios de emisiones, QuickClim podría predecir rápidamente cómo cambiarían las temperaturas superficiales globales durante el siglo en muchos escenarios de emisiones de carbono, aproximadamente un millón de veces más rápido que el modelo convencional. 

“Con los modelos tradicionales, hay menos de cinco vías de concentración de carbono que se pueden analizar. QuickClim ahora nos permite hacer miles de vías, porque es rápido”.

QuickClim podría algún día ayudar a los responsables de la formulación de políticas explorando múltiples escenarios, cuya simulación llevaría demasiado tiempo con los enfoques convencionales. Modelos como QuickClim no reemplazarán a los modelos basados ​​en la física, pero podrían funcionar junto con ellos.

Otro equipo de investigadores, dirigido por el científico atmosférico Christopher Bretherton del Instituto Allen de Inteligencia Artificial en Seattle, Washington, desarrolló un emulador de aprendizaje automático para un modelo atmosférico basado en la física. En un estudio preimpreso de 2023 2 , el equipo creó primero un conjunto de datos de entrenamiento para el modelo, llamado ACE, alimentando diez conjuntos de condiciones atmosféricas iniciales en un modelo basado en la física. Para cada conjunto, el modelo basado en la física proyectó cómo cambiarían 16 variables, incluida la temperatura del aire, el vapor de agua y la velocidad del viento, durante la próxima década.

Después del entrenamiento, ACE pudo utilizar de forma iterativa estimaciones de 6 horas antes en sus proyecciones para hacer pronósticos con 6 horas de anticipación, durante un período de hasta una década. Y funcionó bien: mejor que una versión simplificada del modelo basado en la física que se ejecuta a la mitad de resolución para ahorrar tiempo y potencia informática. En esa comparación, ACE predijo con mayor precisión el estado del 90% de las variables atmosféricas, funcionó 100 veces más rápido y fue 100 veces más eficiente energéticamente.

El autor del estudio y científico climático Oliver Watt-Meyer del Instituto Allen de Inteligencia Artificial dice que estaba sorprendido. “Me impresionó el resultado. Estos primeros hallazgos sugieren que seremos capaces de crear estos modelos que sean muy rápidos, precisos y capaces de explorar muchos escenarios diferentes”, afirma.

Cimientos firmes

En el segundo enfoque, los investigadores están utilizando la IA de una manera más fundamental, para impulsar los modelos climáticos. Estos modelos "fundamentales" pueden modificarse posteriormente para realizar una amplia gama de tareas posteriores relacionadas con el clima y el tiempo.

Los modelos básicos se basan en la idea de que existen patrones fundamentales, posiblemente desconocidos, en los datos que predicen el clima futuro. Al detectar estos patrones ocultos, la esperanza es que los modelos básicos puedan producir mejores predicciones climáticas y meteorológicas que los enfoques convencionales, afirma.

En un artículo de 2023 3 , Grover y los investigadores del gigante tecnológico Microsoft construyeron el primer modelo básico de este tipo, llamado ClimaX. Se entrenó con los resultados de cinco modelos climáticos basados ​​en la física que simularon el tiempo y el clima global desde 1850 hasta 2015, incluidos factores como la temperatura del aire, la presión del aire y la humedad, simulados en escalas de tiempo de horas a años. A diferencia de los modelos de emulador, ClimaX no fue entrenado para la tarea específica de imitar un modelo climático existente.

Después de esta capacitación general, el equipo ajustó ClimaX para realizar una amplia gama de tareas. En uno, el modelo predijo la temperatura superficial promedio, el rango de temperatura diario y las precipitaciones en todo el mundo a partir de variables de entrada de niveles de dióxido de carbono, dióxido de azufre, carbono negro y metano. Esta tarea fue propuesta en 2022 como punto de referencia para comparar modelos climáticos de IA, en un estudio realizado por el físico atmosférico Duncan Watson-Parris de la Universidad de California, San Diego, y sus colegas 4 . ClimaX predijo el estado de las variables relacionadas con la temperatura mejor que tres emuladores climáticos construidos por el equipo de Watson-Parris 3 . Sin embargo, tuvo un desempeño peor que el mejor de estos tres emuladores en la predicción de lluvias.

Pero estos primeros hallazgos aún no prueban que ClimaX pueda superar a los modelos climáticos convencionales, o que los modelos básicos sean intrínsecamente superiores a los emuladores.

De hecho, será difícil convencer a la gente de que cualquier modelo de aprendizaje automático puede superar a los enfoques convencionales. Se desconoce el verdadero estado del clima futuro y no podemos esperar décadas para ver qué tan bien funcionan los modelos, afirma. Probar modelos climáticos comparándolos con el comportamiento climático pasado es útil, pero no es una medida perfecta de qué tan bien pueden predecir un futuro que probablemente será muy diferente de lo que la humanidad ha visto antes. Tal vez si los modelos mejoran en la predicción del tiempo estacional, también lo serán en las predicciones climáticas a largo plazo.

Además, es difícil interpretar la forma en que funcionan muchos de los modelos de IA, un problema conocido como la caja negra de la IA, que podría dificultar la confianza en ellos. Con las proyecciones climáticas, es absolutamente necesario confiar en el modelo para poder extrapolar.

Lo mejor de ambos

Un tercer enfoque consiste en incorporar componentes de aprendizaje automático dentro de modelos basados ​​en la física para producir modelos híbridos, una especie de compromiso.

La capa de nieve es difícil de predecir para los modelos climáticos convencionales, pero los modelos híbridos que combinan el aprendizaje automático y las técnicas basadas en la física han simulado con éxito la capa de nieve y otros procesos a pequeña escala. Fuente: Mario Tama/Getty

En este caso, los modelos de aprendizaje automático reemplazarían solo las partes de los modelos convencionales que funcionan menos bien: típicamente el modelado de procesos importantes, complejos y de pequeña escala, como la formación de nubes, la capa de nieve y los flujos de los ríos. Estos son un "punto clave" en la modelización climática estándar.

El santo grial realmente es utilizar el aprendizaje automático o herramientas de inteligencia artificial para aprender a representar procesos a pequeña escala. Estos modelos híbridos podrían funcionar mejor que los modelos puramente basados ​​en la física, y al mismo tiempo ser más confiables que los modelos construidos enteramente a partir de IA.

En este sentido, los científicos han construido modelos físicos de la atmósfera y la tierra de la Tierra que contienen representaciones de aprendizaje automático de un puñado de procesos de pequeña escala. Funcionan bien, afirma, en pruebas de proyecciones de caudal de ríos y de capa de nieve frente a observaciones históricas 5 . 

Para finales de año, un equipo de científicos esperan completar un modelo híbrido del océano que pueda acoplarse a la atmósfera y a los modelos terrestres, como parte del proyecto Climate Modeling Alliance (CliMA).

La NASA y la Comisión Europea están desarrollando esfuerzos similares para crear "gemelos digitales" de la Tierra . El proyecto europeo, denominado Destination Earth (DestinE), entrará en junio de este año en su segunda fase, en la que el aprendizaje automático tendrá un papel clave, afirma Florian Pappenberger, que dirige el departamento de previsión del Centro Europeo de Previsiones Meteorológicas a Plazo Medio en Reading, Reino Unido.

El objetivo finales crear modelos digitales de los sistemas de la Tierra, parcialmente impulsados ​​por IA, que puedan simular todos los aspectos del tiempo y el clima hasta escalas kilométricas, con gran precisión y a la velocidad del rayo. Aún no hemos llegado a ese punto, pero los defensores dicen que este objetivo ya está a la vista.

Referencias

1. 1. Kitsios, V., O’Kane, T. J. & Newth, D. Commun. Earth Environ. 4, 355 (2023). Artículo  

2. 2. Watt-Meyer, O. et al. Preprint at arXiv https://doi.org/10.48550/arXiv.2310.02074 (2023).

3. 3. Nguyen, T., Brandstetter, J., Kapoor, A., Gupta, J. K. & Grover, A. Preprint at arXiv https://doi.org/10.48550/arXiv.2301.10343 (2023).

4. 4. Watson-Parris, D. et al. J. Adv. Model. Earth Syst. 14, e2021MS002954 (2022). Artículo 

5. 5. Charbonneau, A., Deck, K. & Schneider, T. A Physics-Constrained Neural Differential Equation for Data-Driven Seasonal Snowpack Forecasting (Caltech, 2023).