Inteligencia artificial y cambio climático

Cambio climático e inteligencia artificial, la lógica de una conexión

El cambio climático supone un reto para el funcionamiento de la sociedad, y requiere una adaptación considerable para hacer frente a futuros patrones climáticos alterados. Los algoritmos de aprendizaje automático (Machine Learning, ML) han avanzado espectacularmente, generando avances en muchos sectores de la investigación. Pueden ayudar mucho al análisis del clima. Aunque se ha analizado un número considerable de características aisladas del Sistema Tierra con técnicas de ML, no se ha producido una aplicación más genérica que permita comprender mejor el sistema climático completo. ML puede ayudar a la identificación de teleconexiones, donde las complejas retroalimentaciones dificultan la caracterización global del clima a partir del análisis directo de ecuaciones o la visualización de mediciones y diagnósticos de modelos del Sistema Tierra.
La inteligencia artificial puede basarse en las conexiones climáticas descubiertas para proporcionar alertas mejoradas de las características meteorológicas futuras, incluidos los fenómenos extremos. Las cuestiones climáticas pueden clasificarse en tres categorías. Los "conocidos conocidos" son aspectos codificados con precisión como ecuaciones en los modelos actuales, en los que el ML podría reducir las dimensiones para resolver las interacciones principales. Los "desconocidos conocidos" son aquellos en los que un efecto influye en los cambios climáticos, pero la parametrización incierta de las ecuaciones provoca dispersión e incertimbre. Es decir, los datos muestran que un efecto es importante, pero aún no se dispone de ecuaciones para incluirlos en los modelos actuales.
En el caso del cambio climático, preocupa especialmente el riesgo de “desconocidos desconocidos" que generen sorpresas desagradables. Los más comunes sugeridos son los puntos de inflexión o “tipping points”, donde el Sistema Tierra cambia desproporcionadamente para pequeños aumentos de gases de efecto invernadero atmosféricos, incluso desencadenando un cambio climático potencialmente fuera de control. Sin embargo, los modelos climáticos discrepan en cuanto a la ubicación geográfica potencial y al nivel de gases de efecto invernadero que activa esos puntos de inflexión. El ML puede mejorar la identificación de los elementos de los puntos de inflexión y avanzar en los análisis de precursores.
Si la investigación basada en ML descubre anomalías climáticas medidas que sean emergentes y que no pueden explicarse mediante la comprensión actual del proceso, estaríamos ante un “desconocido desconocido" que necesita investigación y mejoras en la modelización. Las ecuaciones diferenciales que emplean estos modelos pueden obtenerse a partir de la aplicación de redes neuronales a los datos abriéndose paso en lo desconocido. La utilización de ML e IA permite, sin duda, aprovechar mucho mejor los datos climáticos y las simulaciones existentes.