As ameaças das mudanças climáticas são reais. As temperaturas recordes registradas no noroeste do Pacífico dos Estados Unidos em julho deste ano teriam sido praticamente impossíveis sem as mudanças climáticas . A mesma afirmação vale para explicarmos a onda de calor da Sibéria em 2020, que acelerou a um ritmo alarmante o derretimento do permafrost, ou pergelissolo (tipo de solo existente na região do Ártico), rico em carbono. Chuvas extremas, inundações e incêndios florestais catastróficos estão se tornando mais frequentes e intensos em todo o mundo, com cada evento extremo exibindo cada vez mais as marcas das mudanças climáticas causadas pelo homem.
Como parte da missão da IBM de acelerar soluções para mudanças climáticas, estamos conduzindo novas pesquisas para construir soluções reais e focadas no impacto para que as organizações modelem e avaliem seus riscos climáticos e estratégias de mitigação. Para isso, um grupo de pesquisadores da IBM apresentou nove novos artigos de pesquisa na Conferência Internacional de Aprendizado de Máquina (ICML) 2021: Combatendo as Mudanças Climáticas com Aprendizado de Máquina – incluindo um artigo selecionado como destaque, uma honra dada para menos de 10% das submissões aceitas.
Aqui, destacamos três de nossas contribuições:
Quantificação da captura de carbono em florestas urbanas
Árvores, em geral, são capazes de extrair CO2 da atmosfera e armazená-lo em seus troncos, caules e raízes. Mas as árvores não são todas iguais nessa capacidade. Algumas armazenam carbono mais rápido, mas podem ter um tempo de vida curto; enquanto outras árvores extraem CO2 mais devagar, mas vivem muito mais tempo. É importante quantificar a captura de carbono em árvores existentes em cidades ou florestas, já que as mudanças climáticas podem impactar onde e com que velocidade as árvores crescem em uma área geográfica e quanto carbono pode ser armazenado nelas localmente.
Para abordar essa necessidade não atendida, o artigo do ICML¹ usou informação hiperespectral do PAIRS Geospatial combinada com segmentação de imagem e ferramentas de classificação de aprendizagem profunda para desenvolver uma calculadora de carbono que quantifica o armazenamento de carbono de forma individual para cada árvore. Através da combinação de dados climáticos, meteorológicos, de satélite e de LiDaR (Light Detection and Ranging) na plataforma PAIRS , é possível estimar o local ideal para o plantio de árvores em grandes áreas e também quantificar várias vezes por ano a capacidade de uma árvore de extrair e armazenar carbono.
Nossa abordagem atende às necessidades do emergente mercado comercial de carbono: ferramentas transparentes e informações verificáveis para quantificar o sequestro de carbono e compensar as emissões de gases de efeito estufa. Usando imagens disponíveis abertamente combinadas com ferramentas de aprendizagem profunda, é proposto um método transparente que pode ser empregado para determinar padrões ideais para o plantio de diferentes espécies de árvores, maximizar o sequestro de carbono e permitir que as empresas compensem suas emissões de carbono e alcancem a emissão líquida zero de carbono.
Previsão de chuvas extremas com transformadores
Chuvas extremas causam transtornos, prejuízos e devastação. Mas prever com precisão sua probabilidade para um período que vá além de algumas semanas continua sendo um desafio significativo, mesmo para os sistemas mais modernos de previsão sazonal. Em nosso artigo da ICML selecionado como destaque², aplicamos uma arquitetura recente de aprendizado de máquina profundo baseada em em transformadores para prever diretamente a precipitação diária máxima em uma determinada semana – para até seis meses no futuro.
A rede conhecida como transformador de fusão temporal (TFT) combina previsão de múltiplos horizontes com componentes especializados para selecionar entradas relevantes e suprimir atributos desnecessários. É a única arquitetura de rede capaz de integrar perfeitamente previsões de fontes externas – uma tarefa desafiadora em previsão de séries temporais. Treinamos a rede TFT com dados históricos de alta fidelidade provenientes da plataforma PAIRS e previsões baseadas em física da IBM Seasonal Probabilistic Forecasting Platform para criar um modelo preditivo de IA baseado em física para chuvas extremas.
Os resultados mostram que a rede TFT proposta supera consistentemente os sistemas de previsão de última geração existentes, até para horizontes de tempo de seis meses. Embora isso pareça suficientemente bom, outro benchmark para uma previsão sazonal bem-sucedida é saber se ela consegue superar a climatologia. Aqui, a climatologia significa as condições médias em algum período prévio, geralmente de 10 a 30 anos.
Modelos de previsão sazonal raramente são melhores do que a climatologia em horizontes maiores do que quatro a cinco meses no futuro. Em outras palavras, podemos usar também as médias históricas das condições meteorológicas para prever o que acontecerá em novembro, por exemplo. No entanto, nossos resultados mostram que a rede TFT também supera a climatologia em locais importantes na Flórida e no Rio de Janeiro – nossas duas áreas de teste – prometendo um futuro interessante para as previsões sazonais de chuvas extremas baseadas em IA da IBM.
Escolha sua própria aventura (meteorológica)
A mudança climática está tornando as condições meteorológicas extremas ainda mais extremas. Dada a incerteza herdada das previsões climáticas de longo prazo, muitos setores – incluindo finanças, energia, gestão de ativos, logística e agricultura – também usam cenários climáticos hipotéticos plausíveis para explorar sua própria exposição ao risco, resiliência e estratégias de mitigação.
Desde a década de 1980, esses cenários climáticos hipotéticos vêm sendo criados usando geradores de clima probabilísticos. No entanto, é muito difícil para os algoritmos tradicionais de geração de clima criarem cenários climáticos extremos realistas, porque os dados meteorológicos que estão sendo modelados são altamente desbalanceados, contêm dependências espaço-temporais e contêm eventos climáticos extremos agravados pelas mudanças climáticas.
Nosso artigo do ICML³ mostra que autocodificadores variacionais (VAEs) oferecem um caminho para a síntese de cenários climáticos eficientes e controláveis, especialmente para eventos climáticos extremos. VAEs são um tipo de modelo generativo codificador-decodificador que usamos para agrupamento não supervisionado de eventos climáticos no espaço latente e subsequente geração de cenários climáticos de alta qualidade.
O agrupamento não supervisionado de eventos climáticos e a geração subsequente de cenários climáticos de alta qualidade representam um passo potencialmente importante para a IA e ciência do clima. Esperamos que ele forneça flexibilidade incomparável na geração de dados climáticos de alta fidelidade, especialmente para eventos climáticos extremos.
E em uma nova parceria com a Universidade de Illinois Urbana-Champaign, aplicaremos algoritmos de criatividade computacional que usamos no passado no desenvolvimento de receitas para extrapolar nossos geradores de clima para cenários climáticos futuros.
1. Klein, L., Zhou, W., Albrecht, C. Quantification of Carbon Sequestration in Urban Forests . arXiv. (2021).
2. Civitarese, D., Szwarcman, D., Zadrozny, B., Watson, C. Extreme Precipitation Seasonal Forecast Using a Transformer Neural Network . arXiv. (2021).
3. Oliveira, D., Diaz, J., Zadrozny, B., Watson, C. Controlling Weather Field Synthesis Using Variational Autoencoders . ICML 2021 Workshop: Tackling Climate Change with Machine Learning. (2021).
Assessoria de imprensa IBM
Weber Shandwick
E-mail: [email protected]