O provocare majoră în modelele actuale de predicție climatică este modelitatea în care cercetătorii reușesc să reprezente cu precizie norii și încălzirea și umezirea lor atmosferică, potrivit unui studiul al Universității Columbia Engineering din SUA. Cu toate acestea, previziunile exacte ale încălzirii globale ca răspuns la creșterea concentrațiilor de gaze cu efect de seră sunt esențiale pentru factorii de decizie politică (de exemplu, acordul privind clima de la Paris).
Cercetătorii ar putea avea acum o nouă armă în arsenalul lor: învățarea mașinilor.
Într-o lucrare recent publicată online în publicația online American Geophysical Union, cercetătorii conduși de Pierre Gentine, profesor asociat de inginerie a pământului și de mediu de la Columbia Engineering, demonstrează că tehnicile de învățare a mașinilor pot fi folosite pentru a aborda această problemă și pentru a reprezenta mai bine norii, cu potențialul de a reduce intervalul de predicție.
Modelele actuale au o rezoluție de aproximativ 100 de kilometri, suficient de bune pentru atmosferă ca un întreg, dar prea grosier pentru caracteristicile mai subtile ale norilor. Însă, învățarea mașinilor poate ajuta la îmbunătățirea unor astfel de modele fără a fi nevoie ca oamenii de știință să utilizeze programe mai complexe (care necesită un timp mai îndelungat și / sau computere mai puternice). Această abordare ar putea oferi o serie mai restrânsă de predicții atunci când vine vorba de consecințele schimbărilor climatice.
„Acest lucru ar putea fi o adevărată schimbare pentru modul în care se face predicția climei. Avem mari incertitudini în predicția noastră privind răspunsul climatului Pământului la creșterea concentrațiilor de gaze cu efect de seră. Motivul principal este reprezentarea norilor și modul în care aceștia răspund la o schimbare în aceste gaze. Studiul nostru arată că tehnicile de învățare a mașinilor ne ajută să reprezentăm mai bine norii și, prin urmare, să anticipăm mai bine răspunsul climatului global și regional la creșterea concentrațiilor de gaze cu efect de seră”, spune Gentine, autorul principal al studiului și un membru al Institutul Pământului și Institutul de Științe a Datelor.
Învățarea roboților este un tip special de algoritm care poate efectua sarcini fără a fi programat să facă acest lucru în mod explicit. Inteligența artificială (AI) poate învăța, iar această abilitate permite algoritmului să facă lucrurile pe care software-ul normal nu le poate face. În acest caz, poate îmbunătăți rezoluția modelelor climatice.
Cercetătorii de la Columbia Engineering și-au numit algoritmul Cloud Brain sau CBRAIN. Ca dovadă a conceptului, au început prin testarea pe planete unde toți parametrii au fost controlați de cercetători. Fiecare planetă era fie o aquaplanetă, fie o planetă cu continente. Ei au instruit rețeaua neurală profundă pentru a înțelege cum norii s-ar încălzi și umezi și ar radia căldura. CBRAIN a putut apoi să prezică multe alte caracteristici.
„Abordarea noastră poate deschide o nouă posibilitate pentru o viitoare reprezentare a modelelor climatice, care sunt bazate pe date și sunt construite „de sus în jos”, adică prin învățarea caracteristicilor esențiale ale proceselor pe care încercăm să le reprezentăm”, spune Gentine.
Cercetatorii notează, de asemenea că, deoarce sensibilitatea temperaturii globale la CO2, este puternic legată de reprezentarea norilor, CBRAIN poate îmbunătăți estimările temperaturii viitoare. Ei au testat acest lucru în modele climatice cuplate pe deplin și au demonstrat rezultate foarte promițătoare, arătând că acest lucru ar putea fi folosit pentru a prezice răspunsul la gazele cu efect de seră. Toate componentele atmosferei se influențează reciproc în moduri subtile sau mai puțin subtile. Această abordare ne-ar ajuta în cele din urmă să depășim limitele actuale ale modelelor climatice.
Columbia Engineering, are sediul al New York, și este una din universitățile de top din SUA și una dintre cele mai vechi.
