Impulsados por el aumento de las temperaturas y las sequías, los incendios forestales graves están aumentando en todo el mundo, al igual que los contaminantes transmitidos por el humo que dañan el medio ambiente y la salud humana. En 2023, Canadá registró la peor temporada de incendios forestales de su historia, con incendios que liberaron más de 290 millones de toneladas de carbono a la atmósfera. California también experimentó temporadas de incendios récord en 2020 y 2021.
Los efectos secundarios de esta contaminación van desde irritantes hasta mortales. El humo de los incendios forestales canadienses llegó hasta Portugal y España y activó alertas de calidad del aire en ciudades de Estados Unidos y Canadá, ya que provocó escozor en los ojos, congestión nasal y dificultad para respirar a millones de personas. Los Institutos Nacionales de Salud estiman que toda la contaminación del aire es responsable de 6,5 millones de muertes cada año en todo el mundo.
«Sabemos que los niveles peligrosos de calidad del aire son una amenaza significativa, pero debido a que la exposición ocurre lentamente, con el tiempo es más difícil de cuantificar», dijo Marisa Hughes , líder de inteligencia climática en el Laboratorio de Física Aplicada (APL) de Johns Hopkins en Laurel. Maryland y subdirector del programa de Inteligencia Humana y Máquina . «Un modelo más preciso y de mayor resolución puede ayudar a proteger a las poblaciones proporcionándoles información sobre la calidad del aire a lo largo del tiempo para que puedan planificar mejor el futuro».
Previsión meteorológica inteligente
Para comprender mejor a dónde viajarán los contaminantes del humo y cuándo, los investigadores de APL y la Administración Nacional Oceánica y Atmosférica (NOAA) están aprovechando la inteligencia artificial (IA) para simular modelos atmosféricos. Esta familia de proyectos APL ayudará en última instancia a los pronosticadores a ofrecer predicciones más tempranas, de mayor resolución y más precisas sobre los movimientos y la evolución de las amenazas a la calidad del aire, como las columnas de incendios forestales.
Los métodos actuales de predicción del tiempo se basan en modelos en los que enormes cantidades de datos (como la composición atmosférica, la temperatura y la presión del aire) se calculan en ecuaciones complejas que siguen las leyes de la física, la química y el transporte atmosférico y producen simulaciones de futuros fenómenos meteorológicos. La cantidad de tiempo que predice cada modelo se denomina paso de tiempo; Para predecir más en el futuro, para múltiples pasos de tiempo, los modelos necesitan más potencia de cálculo, datos y tiempo para analizar todas las variables.
“En nuestro caso, los modelos analizan el movimiento de casi 200 contaminantes diferentes en la atmósfera en cada paso de tiempo, de forma secuencial. Eso es aproximadamente el 40% de su cálculo”, dijo la investigadora principal Jennifer Sleeman, investigadora senior de IA en APL. “Y luego también tienen que considerar cómo estas sustancias químicas interactúan entre sí y cómo se descomponen: la química representa aproximadamente el 30% del cálculo. Se necesita una cantidad significativa de potencia informática para realizar pronósticos de la calidad del aire con todas las variables utilizadas”.
Cuando se trata de pronósticos, una sola ejecución del modelo no es suficiente. Los investigadores utilizan una técnica llamada modelado de conjuntos, en la que ejecutan desde un puñado hasta cientos de variaciones de modelos para dar cuenta de posibles cambios en las condiciones, como una ola de frío o un sistema de presión entrante, y utilizan la media de esas variaciones para pronosticar. .
“Ejecutar un modelo es un desafío computacional, así que imagine ejecutar más de 50 modelos. En algunos casos, esto simplemente no es factible debido al costo y la disponibilidad informática”, afirmó Sleeman.
Aquí es donde el método asistido por IA de APL mejora la velocidad y precisión del pronóstico. El equipo desarrolló modelos de aprendizaje profundo que simulan conjuntos utilizando menos pasos de tiempo y más cortos de entrada.
«La cantidad de cálculo que podríamos ahorrar con nuestras redes es enorme», afirmó Sleeman. «Estamos acelerando las cosas porque pedimos a los modelos que calculen pasos de tiempo más cortos, lo cual es más fácil y rápido de hacer, y estamos usando el emulador de aprendizaje profundo para simular esos conjuntos y tener en cuenta las variaciones en los datos meteorológicos».
Los investigadores de APL y sus colaboradores de la Morgan State University, la NASA y la NOAA aplicaron el modelo al sistema GEOS Composition Forecasting (GEOS-CF) de la NASA . Cada día, el GEOS-CF produce un pronóstico de la composición global de cinco días con una resolución de 25 kilómetros, o aproximadamente 15 millas cuadradas.
«La NASA y la NOAA han estado buscando formas de aumentar la resolución de estos pronósticos», dijo Hughes. «Si vives al lado de una central eléctrica o de una carretera, los impactos en la calidad del aire te afectarán de manera diferente».
El modelo de aprendizaje profundo, entrenado en una simulación de un año de un sistema similar a GEOS-CF, que incluye más de 30 simulaciones de conjuntos, ha producido de manera confiable pronósticos de 10 días que reflejan datos reales. Mientras que los modelos tradicionales pueden requerir hasta meses de datos para proporcionar estimaciones, el emulador de aprendizaje profundo solo necesitaba siete pasos de tiempo que encapsulaban 21 horas de datos de entrada para producir pronósticos precisos. Al analizar estos modelos más rápidamente, los investigadores han sentado las bases para realizar predicciones con resoluciones más altas.
Sleeman presentó recientemente los hallazgos del equipo, así como otras investigaciones climáticas asistidas por IA, en el Simposio de otoño de la Asociación para el Avance de la Inteligencia Artificial, en la Conferencia de la Unión Geofísica Estadounidense y en la Sociedad Meteorológica Estadounidense .
Un esfuerzo mundial
Tanto Hughes como Sleeman atribuyen sus esfuerzos a los avances de toda la comunidad de IA.
«Si hubiéramos intentado lo mismo hace cinco años, es posible que no hubiera tenido tanto éxito como lo es hoy, porque estamos aprovechando el impulso de esta investigación acelerada», dijo Hughes. «Estamos compartiendo nuestros resultados y empezando a ver qué métodos y arquitecturas son eficaces cuando se aplican a diferentes problemas en todo el mundo».
Este es uno de varios proyectos que están explorando aplicaciones adicionales de la IA a los desafíos de la inteligencia climática, como la predicción de puntos de inflexión climáticos , como parte de los crecientes esfuerzos del Laboratorio para garantizar la seguridad climática .
Fuente(s): Universidad Johns Hopkins
