Poderá a inteligência artificial transformar realmente a modelação climática?

A Terra, com a sua atmosfera complexa e oceanos interligados, funciona como uma máquina gigantesca com infinitas engrenagens. Durante décadas, os cientistas tentaram perceber como funciona para prever o seu futuro face às alterações climáticas.

Atualmente, uma descoberta pode revolucionar esta tarefa: NeuralGCM.

Desafio da modelação climática

Imagine tentar prever as alterações climáticas com um puzzle de milhares de milhões de peças, cada uma representando um elemento complexo do nosso ambiente. Nuvens sobre o Pacífico, tempestades no Saara, correntes oceânicas que atravessam o Atlântico: está tudo ligado. Mas as peças do puzzle nem sempre estão no sítio certo e, por vezes, algumas estão mesmo em falta, o que pode causar erros nas previsões.

É aqui que entram em jogo os modelos climáticos baseados em equações complexas, que descrevem as interações entre a atmosfera, os oceanos, o gelo e muitos outros elementos. Os investigadores, embora com base em aproximações devido à complexidade do sistema climático, estão a testar vários cenários e a observar os seus impactos no nosso planeta.

No entanto, estes modelos tradicionais, por muito poderosos que sejam, têm os seus limites. Baseiam-se numa compreensão fragmentária dos processos físicos que regem o nosso clima. Exigem cálculos titânicos, mobilizando supercomputadores durante semanas, ou mesmo meses. Apesar da sua complexidade, continuam a ter dificuldade em captar certos fenómenos locais ou em prever com precisão acontecimentos extremos, como ondas de calor ou ciclones.

NeuralGCM: A IA ao resgate

Desenvolvido através de uma colaboração entre a Google e o Centro Europeu de Previsões a Médio Prazo (ECMWF), este modelo combina a modelação tradicional baseada na física com técnicas de aprendizagem automática. Publicado na revista científica Nature em 2024, o estudo mostrou que o NeuralGCM podia não só competir com os modelos climáticos clássicos, mas também superá-los em determinadas condições.

De facto, o NeuralGCM destaca-se pela sua utilização inovadora de redes neuronais para simular processos climáticos complexos. Em vez de se basear apenas em equações sofisticadas, este sistema de inteligência artificial é "treinado" através da análise de montanhas de dados climáticos históricos para aprender as relações complexas entre as variáveis climáticas. Com cada novo dado, o NeuralGCM aperfeiçoa as suas previsões, tornando-se mais exato.

Vantagens do NeuralGCM

• Simulações mais precisas: O NeuralGCM é excelente na simulação de eventos e tendências climáticas, proporcionando maior precisão em relação aos modelos tradicionais. Por exemplo, na simulação do El Niño Oscilação Sul, o NeuralGCM mostrou uma capacidade excecional de antecipar variações climáticas.
• Simulações mais eficientes: Usando a aprendizagem de máquina, o NeuralGCM não é apenas mais rápido, mas também muito mais barato de executar do que os modelos tradicionais. Isto permite que as simulações sejam efetuadas em maior escala e com maior frequência.
• Simulações mais completas: O NeuralGCM pode ser expandido para incluir partes adicionais do sistema climático, como os oceanos e a biosfera, proporcionando uma imagem mais completa do nosso ambiente.

Em resumo, o NeuralGCM representa um grande avanço na modelação climática, com o potencial de transformar a nossa compreensão das alterações climáticas. Ao fornecer simulações mais exatas, eficientes e completas, este modelo poderá melhorar a nossa capacidade de prever os impactos das alterações climáticas e desenvolver estratégias de mitigação e adaptação mais eficazes.

É de salientar que o NeuralGCM não substituirá os cientistas, mas sim apoiá-los-á na sua missão. Trata-se de uma nova ferramenta no arsenal da luta contra as alterações climáticas, que permitirá aos investigadores alargar ainda mais as fronteiras do conhecimento. Embora a IA possa por vezes parecer complexa e intimidante, é importante lembrar que, antes de mais, foi concebida para ajudar a humanidade a resolver os seus problemas mais prementes.

Referência da notícia:
Kochkov, D., Yuval, J., Langmore, I. et al. Neural general circulation models for weather and climate. Nature (2024).