Aunque todavía es pronto, algunos trabajos sugieren que la incorporación de modelos de nubes de aprendizaje automático en los modelos climáticos mejora las predicciones.
Crédito: Varun Singh Bhati/EyeEm/Getty Images
Las nubes tienen un efecto significativo en el clima de la Tierra. Pueden bloquear el sol y tener un efecto refrescante, o atrapar el calor y agregarle calor, dependiendo de factores como su altura, cuán reflectantes son, y si es de día o de noche. Además, producen lluvia.
Sin embargo, los modelos climáticos globales, que se utilizan para predecir el clima futuro, no suelen hacer un buen trabajo en la simulación de la contribución de las nubes. Su resolución espacial es típicamente de 50 a 100 kilómetros, mientras que las nubes pueden ser tan pequeñas como unos pocos cientos de metros. Es por eso que los modelos físicos detallados de los procesos a pequeña escala que controlan las nubes, como la convección en las nubes de bajo nivel y la convección profunda en los trópicos, no están incluidos en los modelos climáticos.
«El hecho de que no resolvamos (estos procesos) introduce mucha variabilidad e incertidumbre en cuanto a cuánto cambiarán los eventos de precipitaciones extremas (en el futuro)», dice Janni Yuval, una becaria de postdoctorado del Instituto Tecnológico de Massachusetts (MIT), Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias (EAPS).
La principal limitación es la potencia de cálculo. Incluso las poderosas supercomputadoras utilizadas para ejecutar los modelos climáticos tendrían que funcionar durante años para obtener resultados de mayor resolución, lo que no es factible, ya que muchos grupos de investigación suelen compartir el uso de las supercomputadoras.
Yuval y un creciente número de investigadores están buscando cómo el aprendizaje automático podría ser utilizado como un atajo. Los modelos climáticos incluyen actualmente los procesos de las nubes hasta cierto punto, incorporando representaciones simplificadas de la física involucrada, pero el aprendizaje automático adoptaría un enfoque diferente: los algoritmos aprenderían cómo las nubes contribuyen al clima directamente a partir de datos de alta resolución. Una vez que se logre esto, los algoritmos podrían ser conectados a un modelo climático de menor resolución.
«El hecho de que podamos aprender directamente de los datos que creemos que son muy similares a la forma en que se comporta la física del sistema nos da la capacidad de desarrollar un enfoque basado en los datos en lugar de una teoría simplificada», dice Yuval. «La ventaja es que será mucho más precisa».
Aunque todavía es pronto, algunos trabajos sugieren que la incorporación de modelos de nubes de aprendizaje automático en los modelos climáticos mejora las predicciones. Yuval y sus colegas, por ejemplo, fueron capaces de representar mejor los extremos de las precipitaciones en trabajos recientes.
«El uso de modelos de aprendizaje de máquinas produce precipitaciones extremas que son mucho más similares al modelo de alta resolución», dice Tom Beucler, científico asistente del proyecto en ciencia atmosférica en la Universidad de California, Irvine, y la Universidad de Columbia. «Te dan las propiedades de un modelo de alta resolución 100 veces más rápido».
Sin embargo, también hay preocupaciones que deben abordarse en este proceso. Los sistemas de aprendizaje automático desconocen las leyes de la física, por lo que a menudo producen resultados que las quebrantan, lo que podría dar lugar a inexactitudes en las proyecciones climáticas a largo plazo. «Leyes como la conservación de la masa y la conservación de la energía son típicamente violadas por casi todos los algoritmos de aprendizaje automático», dice Beucler.
Sin embargo, las reglas físicas pueden ser incorporadas en los modelos de aprendizaje de las máquinas. Beucler y sus colegas mostraron que las técnicas pueden ser utilizadas para hacer cumplir las leyes de conservación sin comprometer la precisión al modelar la convección de las nubes. Su sistema, que utilizaba redes neuronales, fue esencialmente penalizado cuando violaba las leyes físicas, por lo que aprendió a evitar esos casos. «La principal innovación es que, como las leyes de conservación están dentro de la red neural, va a sentir el efecto de las leyes de conservación a medida que se optimiza, y se adapta a ellas», dice Beucler.
La interpretabilidad también es un problema importante. Dado que los sistemas de aprendizaje de las máquinas aprenden por sí mismos, lo que han aprendido es típicamente una caja negra.
«Una de las motivaciones fundamentales de la ciencia del clima es ofrecer una predicción a largo plazo para ayudar a los países a tomar decisiones sobre cómo adaptarse y mitigar el cambio climático», dice Beucler. «Si tienes un modelo que no es interpretable, la gente no se va a sentir cómoda yendo a los responsables de las políticas y diciéndoles lo que tienen que hacer porque no están seguros de por qué se ha llegado a ese número».
Dado que la comprensión de los resultados es importante en muchas aplicaciones de aprendizaje de máquinas, los científicos informáticos han estado trabajando en técnicas que pueden ayudar a revelar lo que los algoritmos están aprendiendo. Beucler y sus colegas usaron una de estas técnicas para mostrar que su modelo de aprendizaje de tormentas y convección de nubes es físicamente consistente. «No contradice lo que sabemos con certeza sobre las tormentas, y eso hace que el modelo sea más confiable, o menos de una caja negra», dice.
Si los modelos de aprendizaje automático de los procesos de las nubes se van a utilizar más ampliamente, necesitan aguantar cuando se insertan de nuevo en los modelos climáticos e, idealmente, ser capaces de trabajar en varios diferentes. Sin embargo, los modelos todavía se estrellan a menudo cuando se vuelven a conectar. Varios factores pueden estar en juego: un modelo de aprendizaje automático puede simplemente no estar incorporado correctamente, por ejemplo, o puede no ser capaz de manejar las condiciones de ciertos modelos climáticos.
Yuval y sus colegas, sin embargo, fueron capaces de desarrollar un modelo de nubes de aprendizaje automático que funciona bien con diferentes modelos climáticos. Yuval cree que es exitoso en parte porque incorpora mucha de la física involucrada. «Fue un gran avance para demostrar que nunca se estrella», dice Yuval. «Podríamos ejecutarlo (en modelos climáticos con) múltiples escenarios y resoluciones y funciona».
A medida que los modelos de aprendizaje de las máquinas mejoran, pueden ser capaces de hacer más que simular el comportamiento de las nubes. Beucler cree que podrían conducir a nuevos descubrimientos, ya que son capaces de dar sentido a un comportamiento complejo que aún no se entiende bien.
«Una vez que tienes un modelo de aprendizaje de una máquina, puedes intentar extraer mucho conocimiento de todo lo que se aprende de los datos», dice. «Una vez que la gente se da cuenta (puede hacer eso), creo que realmente despegará en este campo.»
Sandrine Ceurstemont es un escritor científico independiente con base en Londres, Reino Unido.
No se han encontrado entradas
