Fazer login no IT Mídia Redefinir senha
Bem-vindo de volta,
Digite seu e-mail e clique em enviar
Ainda não tem uma conta? Cadastre-se
Salvar em Nova pasta de favoritos

+

Criar pasta
Últimos favoritos Ver todos
Home  >  Inovação

IBM avança em estudos de IA para ajudar a prever manifestações climáticas extremas

Pesquisadores da IBM apresentaram artigos com soluções baseadas em machine learning durante conferência internacional sobre o tema

Redação

28/08/2021 às 10h00

mudanças climáticas alagamento inundação
Foto:

Legenda: Reprodução/Shutter Stock

Para ajudar a encontrar soluções práticas aos problemas climáticos, a IBM conduz novas pesquisas com o uso da Inteligência Artificial que buscam auxiliar organizações a avaliar, modelar e mitigar seus riscos e impactos climáticos.

Um dos estudos apresentados pela equipe da IBM, durante a ICML 2021, apresenta uma arquitetura de machine learning profunda baseada em transformadores para prever diretamente a precipitação diária máxima em uma determinada semana e de até seis meses. A previsão, segundo os pesquisadores da IBM, supera a climatologia.

Um grupo de pesquisadores da IBM apresentou nove novos artigos de pesquisa na “Conferência Internacional de Machine Learning (ICML) 2021: Combatendo as Mudanças Climáticas com Machine Learning”, incluindo um artigo selecionado como destaque.

Um dos estudos da IBM está focado na quantificação da captura de carbono em florestas urbanas, a partir de um cálculo que considera a captura e o armazenamento de CO2 nas árvores, que varia. Algumas árvores, por exemplo, armazenam carbono mais rápido, mas podem ter um tempo de vida curto; enquanto outras árvores extraem CO2 mais devagar, mas vivem muito mais tempo.

Segundo os pesquisadores, 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.

A partir de imagens disponíveis abertamente combinadas com ferramentas de deep learning, o artigo propõe 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.

Os pesquisadores usaram informação hiperespectral do PAIRS Geospatial combinada com segmentação de imagem e ferramentas de classificação de deep learning 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.

Eventos climáticos extremos

Outro estudo da equipe da IBM, selecionado em destaque, usa machine learning para prever com maior precisão chuvas extremas. No artigo da ICML, os pesquisadores aplicaram uma arquitetura recente de machine learning profunda baseada 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, dizem os pesquisadores.

De acordo com a equipe da IBM, a rede TFT foi treinada 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.

O estudo mostra 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, segundo a IBM.

“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”, dizem os pesquisadores.

Os cientistas afirmam que 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.

No entanto, outro artigo apresentado pela equipe da IBM 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 os pesquisadores usaram para agrupamento não supervisionado de eventos climáticos no espaço latente e subsequente geração de cenários climáticos de alta qualidade.

Para os cientistas, 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'', disseram. “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”.

Este anúncio desaparecerá em:

Fechar anúncio

15