El catedràtic d'Enginyeria Electrònica i investigador del Image Processing Laboratory (IPL) de la Universitat de València (UV) Gustau Camps-Valls és un dels quatre Investigadors Principals del projecte 'USMILE', que acaba d'aconseguir una ajuda ERC Synergy Grants dotada amb 10 milions d'euros per a sis anys.
L'objectiu del treball, que combinarà el machine learning (aprenentatge estadístic o automàtic) amb models físics de l'atmosfera i la Terra, és millorar els models climàtics i l'anàlisi i interpretació de les dades del sistema Terra. Es tracta d'un dels enfocaments hui dia més interessants de la Intel·ligència Artificial (IA), explica la universitat valenciana en un comunicat.
L'equip interdisciplinari del projecte 'Understanding and Modelling the Earth System with Machine Learning' (USMILE) està format per investigadors del Centre Aeroespacial Alemany (DLR), l'Institut Max Planck de Biogeoquímica, la Universitat de València i la Universitat de Columbia.
El seu treball està orientat a superar certes limitacions fonamentals per a la comprensió del sistema terrestre, augmentant així la capacitat dels científics per a simular i predir amb precisió i menor incertesa el canvi climàtic.
Si bé els models del sistema Terra han millorat considerablement en les últimes dècades, la seua capacitat per a simular respostes quan es tracta de sistemes terrestres globals i regionals --que són fonamentals per a avaluar el canvi climàtic i els seus efectes sobre els ecosistemes i les poblacions del planeta-- es veu limitada per la representació dels processos físics i biològics a petita escala.
"La nostra hipòtesi central és que aquesta falta de comprensió pot resoldre's mitjançant el machine learning. En primer lloc, disposem ja de gran quantitat de dades d'observació de la Terra amb una cobertura espacial i temporal sense precedents. En segon lloc, comptem amb models d'alta resolució per a la detecció de núvols que resolen explícitament processos a petita escala, com ho és la presència de núvols. Però aqueixes simulacions són molt costoses des del punt de vista computacional i, per tant, només poden executar-se durant un curt període de temps", assegura Pierre Gentine, de la Facultat d'Enginyeria i Ciències Aplicades de la Universitat de Columbia.
"El machine learning ha evolucionat ràpidament, permetent avanços en la detecció i anàlisi de relacions i patrons complexos en grans conjunts de dades multivariades", comenta Gustau Camps-Valls, de la Universitat de València i un dels quatre Investigadors Principals (IPs) del projecte. Ara no sols podem ajustar, predir i modelar funcions complexes, sinó que també podem aprendre relacions causals a partir de dades observacionals".
L'equip desenvoluparà algorismes de machine learning per a millorar les dades d'observació de la Terra que tinguen en compte les covariàncies espaciotemporals, així com les parametritzacions i submodels basats en l'aprenentatge estadístic per a núvols i processos de la superfície terrestre que han obstaculitzat el progrés en modelització del clima durant dècades.
A més, detectaran i comprendran les maneres de variabilitat climàtica i els extrems climàtics multivariants, i descobriran aspectes dinàmics del sistema terrestre amb tècniques noves de deep learning (aprenentatge profund), interferència Bayesiana i descobriment causal.
Tradicionalment, la modelització física i el machine learning han sigut tractats com dos mons diferents amb paradigmes científics oposats: un basat en la teoria i l'altre basat en les dades. "Encara que té un potencial extraordinari, el machine learning a penes s'està utilitzant per a abordar la necessitat urgent de millorar la comprensió i la modelització del sistema terrestre.
Esperem que, en aixecar un pont entre la física i el machine learning, siguem capaços de revolucionar el modelatge i l'anàlisi dels sistemes de la Terra, i de propiciar projeccions climàtiques més sòlides a mitjà i llarg termini", diu Markus Reichstein, de l'Institut Max Planck de Biogeoquímica. "USMILE pot impulsar un canvi de paradigma en la modelització actual del sistema terrestre cap a una nova ciència basada en les dades però al mateix temps conscient de la física", conclou.
OPTIMITZAR ESFORÇOS
Veronika Eyring, de l'Institut de Física Atmosfèrica del DLR i colíder del projecte apunta: "Ens unim per a optimitzar esforços combinant la nostra experiència multidisciplinària en modelatge climàtic, ecosistemes terrestres, machine learning i caracterització de núvols, amb la finalitat d'abordar algunes de les principals limitacions en simulació i anàlisi del canvi climàtic. Això ens permetrà comprendre millor els processos i descobrir causes i factors desconeguts en el sistema terrestre".L'ERC Synergy Grants es concedeixen a grups de dos i quatre co-IPs amb competències, coneixements i recursos complementaris per a abordar conjuntament projectes que, per les seues característiques, no podrien resoldre's de manera individual. En el cas d'USMILE, els quatre investigadors treballen a cavall entre l'estudi de sistema terrestre i la ciència de dades i els seus coneixements són complementaris.
Creat per la Unió Europea en 2007, el Consell Europeu d'Investigació (ERC) té la missió de fomentar la investigació de més alta qualitat a Europa a través d'un finançament competitiu i donar suport a la investigació de frontera en tots els camps de la ciència, sobre la base de l'excel·lència científica. Cada any selecciona i finança als millors investigadors creatius de qualsevol nacionalitat i edat per a executar projectes a Europa.
L'ERC té diferents esquemes d'ajudes per a investigadors principals individuals -Starting Grants, Consolidator Grants i Advanced Grants-, a més de les Synergy Grants per a xicotets grups d'investigadors excel·lents.