Usos de la inteligencia artificial para predecir eventos climáticos extremos

.

Los desafíos del cambio climático son reales. Cada vez con mayor frecuencia se producen incendios forestales catastróficos, lluvias abundantes e inundaciones en todo el mundo, y cada evento extremo exhibe cada vez más las huellas del cambio climático antropogénico.

Como parte de la misión de IBM de acelerar el desarrollo de soluciones para el cambio climático, la compañía impulsa nuevas investigaciones para construir soluciones reales y con foco en el impacto, con el objetivo de que las organizaciones puedan modelar y evaluar su riesgo climático y sus estrategias de mitigación. A continuación, destacamos tres de estas contribuciones:

Cuantificación del secuestro de carbono en bosques y espacios verdes urbanos

Los árboles pueden extraer dióxido de carbono (CO2) de la atmósfera y almacenarlo en sus troncos, tallos y raíces. Sin embargo, no todos los árboles son iguales, ya que algunos almacenan carbono más rápido, pero tienen una vida más corta, mientras que otros extraen CO2 más lentamente y viven mucho más. Es importante cuantificar el secuestro de carbono en árboles en ciudades o bosques, ya que el cambio climático puede incidir en el lugar y el ritmo de crecimiento de los árboles en un área geográfica, y en la cantidad de carbono que puede almacenarse en ellos.

Para abordar esta necesidad insatisfecha, se utilizó información hiperespectral de Geoespacial PAIRS, combinada con segmentación de imágenes y herramientas de clasificación de aprendizaje profundo, para desarrollar una calculadora que cuantifica el almacenamiento de carbono a nivel de cada árbol[1]. Mediante la combinación de datos climáticos, meteorológicos, satelitales y LiDar (Light Detection and Ranging) en la plataforma PAIRS, es posible estimar la ubicación óptima para plantar especies en amplias regiones, así como cuantificar, varias veces al año, la capacidad de cada árbol de extraer y almacenar carbono. (ver Fig. 1). 

Al emplear imágenes de fuente abierta en combinación con herramientas de aprendizaje profundo, se propone un método transparente que puede ser empleado para determinar patrones de plantación de las especies más indicadas, maximizar el secuestro de carbono y permitir a las organizaciones compensar sus emisiones y lograr el estado de cero emisiones netas.

Predecir lluvias extremas con transformadores

Las precipitaciones extremas pueden ser disruptivas, causar grandes daños y devastación. Pero predecir en forma precisa su probabilidad más allá de algunas semanas sigue siendo un desafío significativo, incluso para sistemas de pronósticos estacionales avanzados. Para esta investigación[2] se aplicó una arquitectura de aprendizaje automático basada en transformadores para predecir directamente las precipitaciones diarias en una semana dada, hasta seis meses en el futuro.

La red de transformadores de fusión temporal (TFT, por sus siglas en inglés) combina los pronósticos de múltiples horizontes con componentes especializados para seleccionar información relevante y suprimir características innecesarias. Es la única arquitectura de red capaz de integrar a la perfección pronósticos de fuentes externas, una tarea desafiante en el pronóstico de series temporales. Se entrenó a la red TFT con datos históricos de alta fidelidad de la plataforma PAIRS y pronósticos basados en física de la plataforma Seasonal Probabilistic Forecasting Platform de IBM, para crear un modelo único de predicción de IA guiada por física para precipitaciones extremas. (ver Fig. 2).

Los resultados demuestran que la red TFT supera en desempeño los más avanzados sistemas de pronóstico existentes, incluso en horizontes de seis meses. Si bien esto parece justificar una celebración, otro punto de referencia clave de un pronóstico estacional de seis meses es si puede vencer a la climatología. Aquí, la climatología significa las condiciones promedio respecto de un periodo anterior, en general de 10 a 30 años.

Los modelos de pronósticos estacionales rara vez son mejores que la habilidad de la climatología más allá de cuatro a cinco meses en el futuro. En otras palabras, podrían usarse las condiciones climatológicas históricas para predecir lo que sucederá en noviembre, por ejemplo. Sin embargo, la red TFT logró superar a la climatología en ubicaciones clave en Florida, EE.UU. y en Río de Janeiro, Brasil, –las dos áreas de prueba- lo cual marca un futuro prometedor para las predicciones de precipitaciones extremas estacionales basadas en inteligencia artificial de IBM.

Elija su propia aventura (climática)

En vista de la incertidumbre inherente de las predicciones climáticas de largo plazo, muchos sectores – como el de servicios financieros, energía, logística y agricultura- también utilizan escenarios climáticos hipotéticos (conocidos como “what-if”) para explorar su propia exposición a riesgos, resiliencia y estrategias de mitigación.

Desde la década de 1980, estos escenarios climáticos hipotéticos se crearon usando generadores climáticos probabilísticos. Sin embargo, es muy difícil para los algoritmos tradicionales crear escenarios climáticos extremos realistas, porque los datos sobre el clima que se modelan tienen un alto grado de desequilibrio, presentan dependencias espacio-temporales y contienen eventos meteorológicos extremos exacerbados por el cambio climático.

La investigación[3] muestra que los autocodificadores variacionales (VAE, por sus siglas en inglés) ofrecen un camino para la síntesis de escenarios climáticos eficientes y controlables, especialmente para eventos extremos. Los VAE son un modelo generativo de codificador-decodificador que se han usado para el agrupamiento no supervisado de eventos climáticos en el espacio latente y la posterior generación de escenarios de alta calidad (ver Fig. 3). 

El novedoso agrupamiento no supervisado de eventos climáticos y posterior generación de escenarios de alta calidad representa un paso potencialmente importante en la IA y la ciencia del clima. Se espera que proporcione una flexibilidad incomparable en la generación meteorológica de alta fidelidad, especialmente para eventos climáticos extremos.

[1] Klein, L., Zhou, W., Albrecht, C. Quantification of Carbon Sequestration in Urban Forests. arXiv. (2021)

[2] Civitarese, D., Szwarcman, D., Zadrozny, B., Watson, C. Extreme Precipitation Seasonal Forecast Using a Transformer Neural Network. arXiv. (2021).

[3] Oliveira, D., Diaz, J., Zadrozny, B., Watson, C. Controlling Weather Field Synthesis Using Variational Autoencoders. ICML 2021 Workshop: Tackling Climate Change with Machine Learning. (2021).