Europa apoya con 10 millones incorporar IA al estudio de modelos climáticos

Un proyecto para incorporar la inteligencia artificial (IA) al estudio de los modelos climáticos, en el que participa un investigador de la Universitat de València (UV), ha recibido 10 millones de las ayudas Sinergy Grant que concede el Consejo Europeo de Investigación (ERC) para los próximos  seis años.

El objetivo del trabajo, que combinará el machine learning (aprendizaje estadístico o automático) con modelos físicos de la atmósfera y la Tierra, es mejorar estos modelos y el análisis e interpretación de los datos del sistema Tierra, base para entender el cambio climático, y propiciar proyecciones climáticas más sólidas.

El catedrático de Ingeniería Electrónica e investigador del Image Processing Laboratory (IPL) de la UV Gustau Camps-Valls es uno de los cuatro investigadores principales del proyecto Understanding and Modelling the Earth System with Machine Learning" (USMILE) junto a investigadores del Centro Aeroespacial Alemán (DLR), el Instituto Max Planck de Biogeoquímica y la Universidad de Columbia.

Su trabajo está orientado a superar ciertas limitaciones fundamentales para la comprensión del sistema terrestre, aumentando así la capacidad de los científicos para simular y predecir con precisión y menor incertidumbre el cambio climático.

Aunque los modelos del sistema Tierra han mejorado bastante en las últimas décadas, su capacidad para simular respuestas cuando se trata de sistemas terrestres globales y regionales –fundamentales para evaluar el cambio climático y sus efectos– se ve limitada por la representación de los procesos físicos y biológicos a pequeña escala.

"Nuestra hipótesis central es que esta falta de comprensión puede resolverse mediante el machine learning", ha apuntado Pierre Gentine, de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia.

Ha explicado que se dispone de "gran cantidad de datos de observación de la Tierra con una cobertura espacial y temporal sin precedentes" y "con modelos de alta resolución para la detección de nubes que resuelven explícitamente procesos a pequeña escala, como lo es la presencia de nubes".

"Pero esas simulaciones son muy costosas desde el punto de vista computacional y, por lo tanto, sólo pueden ejecutarse durante un corto periodo de tiempo", ha añadido y ha valorado: "Ahora no solo podemos ajustar, predecir y modelar funciones complejas, también aprender relaciones causales a partir de datos observacionales".

El equipo desarrollará algoritmos de "machine learning" para mejorar los datos de observación de la Tierra que tengan en cuenta las covarianzas espacio-temporales, así como las parametrizaciones y submodelos basados en el aprendizaje estadístico para nubes y procesos de la superficie terrestre que han obstaculizado el progreso en modelización del clima durante décadas, según las fuentes.

Además, detectarán y comprenderán los modos de variabilidad climática y los extremos climáticos multivariados, y descubrirán aspectos dinámicos del sistema terrestre con técnicas novedosas de deep learning (aprendizaje profundo), interferencia Bayesiana y descubrimiento causal.

Markus Reichstein, del Instituto Max Planck de Biogeoquímica, espera que "al tender un puente entre la física y el machine learning, seamos capaces de revolucionar el modelado y el análisis de los sistemas de la Tierra, y de propiciar proyecciones climáticas más sólidas a medio y largo plazo".

"USMILE puede impulsar un cambio de paradigma en la modelización actual del sistema terrestre hacia una nueva ciencia basada en los datos pero al mismo tiempo consciente de la física", ha concluido.

La investigadora Veronika Eyring, del Instituto de Física Atmosférica del DLR ha valorado que combinan su experiencia multidisciplinaria para "abordar algunas de las principales limitaciones en simulación y análisis del cambio climático", lo que permitirá comprender mejor los procesos y descubrir causas y factores desconocidos en el sistema terrestre".

En el proyecto USMILE, los cuatro investigadores trabajan a caballo entre el estudio de sistema terrestre y la ciencia de datos y sus conocimientos son complementarios.