IA e os Problemas Difíceis do Mundo ─ Ciências da Terra e do clima
Ciência e conhecimento avançados pela IA, por disciplina
Feed RSS · 5 itens
Previsão de pontos de inflexão com IA
Título original: Forecasting Tipping Points with AI
Pontos de inflexão, após os quais um sistema não consegue retornar ao seu estado original, são mais difíceis de prever do que mudanças climáticas de curto prazo. Uma equipe liderada pelo Caltech mostrou que um operador neural recorrente (RNO), um tipo de rede neural, consegue prever quando ocorrem pontos de inflexão em modelos simples. Isso inclui um modelo de sistema de mudança climática e simulações de fluxo de ar turbulento sobre a asa de um avião. O artigo foi publicado na PNAS.
Avançando a previsão subsazonal com aprendizado de máquina
Título original: Advancing subseasonal forecasting with machine learning
A habilidade de previsão cai drasticamente em escalas de tempo subsazonais, de 2 a 6 semanas à frente. Os autores apresentam a correção probabilística de viés, uma estrutura de aprendizado de máquina que aprende a corrigir previsões probabilísticas históricas, e a aplicam aos principais modelos dinâmicos e de IA do ECMWF. Ela dobrou a modesta habilidade subsazonal do AI Forecasting System e melhorou o modelo dinâmico para a maioria dos alvos de pressão, temperatura e precipitação; na competição em tempo real do ECMWF em 2025, suas previsões globais foram as melhores.
Previsão de riscos do clima espacial para as redes elétricas
Título original: Forecasting space weather risks on power grids
Eventos extremos de clima espacial podem induzir correntes nas redes de transmissão que danificam equipamentos, e os operadores da rede precisam saber quando e onde os efeitos serão mais severos, com aviso suficiente. A Microsoft Research criou um pipeline de aprendizado de máquina que combina dados do vento solar, previsões de AE e Dst, latitude local, geologia e condutividade do solo para produzir estimativas de risco para 66.935 subestações nos Estados Unidos continentais. Durante o período de avaliação, ele detectou quase 80% dos principais eventos de clima espacial e pode alertar os operadores de 30 a 60 minutos antes de um risco específico surgir.
Ferramenta de IA para mapear culturas de pequenos agricultores se mostra eficaz no Senegal
Título original: AI tool for mapping smallholder crops proves itself in Senegal
As pequenas propriedades agrícolas do Senegal, dependentes da chuva, deixam grande parte da população exposta a choques climáticos, mas as ferramentas de mapeamento de culturas por satélite estão praticamente fora de alcance. Pesquisadores da Universidade de Cambridge usaram o Tessera, um modelo de IA de código aberto treinado com imagens de satélite, para mapear culturas na bacia do amendoim do Senegal. Nos testes, ele deu o resultado correto em 84% das vezes, com mais precisão do que os métodos atuais, usando apenas uma fração dos recursos computacionais e dos dados rotulados. Em um dos cenários, teve desempenho 28% melhor do que o segundo melhor modelo.
Avaliação do risco climático regional a partir de modelos climáticos usando aprendizado de máquina probabilístico
Título original: Regional climate risk assessment from climate models using probabilistic machine learning
Os modelos climáticos são grosseiros demais para decisões de risco regional, e os métodos de redução de escala existentes são caros demais para grandes conjuntos, não captam dependências multivariadas ou exigem pares de treinamento alinhados no tempo, que as projeções em execução livre não possuem. O GenFocal é uma estrutura de IA generativa que produz clima de escala fina estatisticamente preciso a partir de projeções grosseiras, sem dados de treinamento pareados. Ele sintetiza perigos de longa duração, como ondas de calor e ciclones tropicais, amostra eventos raros de alto impacto com mais precisão do que os métodos líderes e melhora as estimativas regionais de extremos compostos.