El climatólogo 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 las 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. Schneider trabaja en el Instituto de Tecnología de California en Pasadena.
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 al clima. Estos modelos funcionan lo suficientemente bien como para hacer proyecciones climáticas que guíen 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, eso es aproximadamente la cantidad de electricidad utilizada anualmente por 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 la predicción meteorológica y ahora está interviniendo para ayudar con estos problemas en la modelización del clima. “La trayectoria del aprendizaje automático para las proyecciones climáticas parece realmente prometedora”, dice el científico informático Aditya Grover de la Universidad de California, Los Ángeles. Al igual que en los primeros días de la predicción meteorológica, hay una oleada de innovación que promete transformar la forma en que los científicos modelan el clima. Pero todavía hay obstáculos que superar, incluido convencer a todos de que los modelos basados en el aprendizaje automático están acertando con sus proyecciones. Los investigadores están utilizando la IA para la modelización climática de tres maneras principales. El primer enfoque consiste en desarrollar modelos de aprendizaje automático llamados emuladores, que producen los mismos resultados que los modelos convencionales sin tener que realizar todos los cálculos matemáticos.
En un estudio de 2023, el climatólogo 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. 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 baja y alta emisión de carbono. El entrenamiento de cada modelo tomó alrededor de 30 minutos en una computadora portátil. A continuación, los investigadores pidieron a los modelos de QuickClim que pronosticaran las temperaturas en un escenario de emisiones de carbono medias, algo que los modelos no habían visto durante el entrenamiento. Los resultados coincidían estrechamente con los de los modelos convencionales basados en la física. Una vez entrenado con los tres escenarios de emisiones, QuickClim pudo predecir rápidamente cómo cambiarían las temperaturas de la superficie global durante el siglo en muchos escenarios de emisiones de carbono, aproximadamente un millón de veces más rápido de lo que podría hacerlo el modelo convencional. QuickClim podría algún día ayudar a los responsables de la formulación de políticas explorando múltiples escenarios, que los enfoques convencionales tardarían demasiado en simular. Modelos como QuickClim no reemplazarán a los modelos basados en la física, pero podrían funcionar junto a ellos.
Otro equipo de investigadores, dirigido por el científico atmosférico Christopher Bretherton en el 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 de 2023, el equipo creó primero un conjunto de datos de entrenamiento para el modelo, llamado ACE, introduciendo 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 de la capacitación, ACE pudo utilizar de forma iterativa las estimaciones de 6 horas antes en sus proyecciones para hacer pronósticos con 6 horas de anticipación, durante un período de tiempo de hasta una década. Y funcionó bien: mejor que una versión reducida del modelo basado en la física que se ejecuta a la mitad de la resolución para ahorrar tiempo y potencia de cálculo. 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.
En el segundo enfoque, los investigadores están utilizando la IA de una manera más fundamental, para alimentar las entrañas de los modelos climáticos. Estos modelos de “base” se pueden ajustar posteriormente para realizar una amplia gama de tareas relacionadas con el clima y el tiempo. En un artículo de 2023, Grover e investigadores del gigante tecnológico Microsoft construyeron el primer modelo de fundación 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 emuladores, ClimaX no se entrenó para la tarea específica de imitar un modelo climático existente.
Después de esta formación general, el equipo afinó ClimaX para realizar una amplia gama de tareas. En uno de ellos, el modelo predijo la temperatura media de la superficie, el rango de temperatura diario y las precipitaciones en todo el mundo a partir de las variables de entrada de los niveles de dióxido de carbono, dióxido de azufre, carbono negro y metano. Esta tarea se propuso 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 en San Diego, y sus colegas. ClimaX predijo el estado de las variables relacionadas con la temperatura mejor que tres emuladores climáticos construidos por el equipo de Watson-Parris.
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 lo bien están funcionando los modelos. 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.
Un tercer enfoque es incrustar componentes de aprendizaje automático dentro de modelos basados en la física para producir modelos híbridos. 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 cubierta de nieve y otros procesos a pequeña escala. En este caso, los modelos de aprendizaje automático reemplazarían solo las partes de los modelos convencionales que funcionan menos bien, por lo general, el modelado de procesos a pequeña escala, complejos e importantes, como la formación de nubes, la capa de nieve y los flujos de los ríos. Estos son un “punto de fricción clave” en los modelos climáticos estándar. Estos modelos híbridos podrían funcionar mejor que los modelos puramente basados en la física, al tiempo que son más fiables que los modelos construidos íntegramente a partir de la IA.
Carissa Wong. Nature. doi: https://doi.org/10.1038/d41586-024-00780-8.
