Un equipo interdisciplinar de cuatro investigadores del Centro Aeroespacial Alemán (DLR), el Instituto Max Planck de Biogeoquímica, la Universitat de València y la Universidad de Columbia ha sido galardonado con una ayuda Synergy del Consejo Europeo de Investigación (ERC) de 2019 para comprender y modelar el sistema Tierra mediante aprendizaje estadístico (Machine Learning), uno de los enfoques hoy día más interesantes de la Inteligencia Artificial (IA). El prestigioso galardón, dotado con 10 millones de euros a lo largo de seis años, apoyará este innovador trabajo orientado a repensar el desarrollo y la evaluación de los modelos del sistema Tierra, que son la base para entender y proyectar el cambio climático.
Veronika Eyring, del Instituto de Física Atmosférica del DLR y colíder del proyecto comenta: "Nos unimos para optimizar esfuerzos combinando nuestra experiencia multidisciplinaria en modelado climático, ecosistemas terrestres, machine learning y caracterización de nubes, con el fin de abordar algunas de las principales limitaciones en simulación y análisis del cambio climático. Esto nos permitirá comprender mejor los procesos y descubrir causas y factores desconocidos en el sistema terrestre".
El proyecto "Understanding and Modelling the Earth System with Machine Learning" (USMILE), ahora financiado, está orientado a superar ciertas limitaciones fundamentales para la comprensión del sistema terrestre, aumentando así la capacidad de los científicos para simular y predecir con precisión y menor incertidumbre el cambio climático. Si bien los modelos del sistema Tierra han mejorado considerablemente en las últimas décadas, su capacidad para simular respuestas cuando se trata de sistemas terrestres globales y regionales –que son fundamentales para evaluar el cambio climático y sus efectos sobre los ecosistemas y las poblaciones del planeta– se ve limitada por la representación de los procesos físicos y biológicos a pequeña escala, como las nubes, los estomas y los microbios.
"Nuestra hipótesis central es que esta falta de comprensión puede resolverse mediante el machine learning. En primer lugar, disponemos ya de gran cantidad de datos de observación de la Tierra con una cobertura espacial y temporal sin precedentes. En segundo lugar, contamos con modelos de alta resolución para la detección de nubes que resuelven explícitamente procesos a pequeña escala, como lo es la presencia de nubes. Pero esas simulaciones son muy costosas desde el punto de vista computacional y, por lo tanto, sólo pueden ejecutarse durante un corto periodo de tiempo", asegura Pierre Gentine, de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia.
"Y en tercer lugar – añade Gustau Camps-Valls, de la Universitat de València y otro de los cuatro Investigadores Principales (IPs) del proyecto–, el machine learning ha evolucionado rápidamente, permitiendo avances en la detección y análisis de relaciones y patrones complejos en grandes conjuntos de datos multivariados. Ahora no solo podemos ajustar, predecir y modelar funciones complejas, sino que también podemos aprender relaciones causales a partir de datos observacionales".
El equipo desarrollará algoritmos de machine learning para mejorar los datos de observación de la Tierra que tengan en cuenta las covarianzas espacio-temporales, así como las parametrizaciones y submodelos basados en el aprendizaje estadístico para nubes y procesos de la superficie terrestre que han obstaculizado el progreso en modelización del clima durante décadas. Además, detectarán y comprenderán los modos de variabilidad climática y los extremos climáticos multivariados, y descubrirán aspectos dinámicos del sistema terrestre con técnicas novedosas de deep learning (aprendizaje profundo), interferencia Bayesiana y descubrimiento causal.
Tradicionalmente, la modelización física y el machine learning han sido tratados como dos mundos diferentes con paradigmas científicos opuestos: uno basado en la teoría y el otro basado en los datos. "Aunque tiene un potencial extraordinario, el machine learning apenas se está utilizando para abordar la necesidad urgente de mejorar la comprensión y la modelización del sistema terrestre. Esperamos que, al tender un puente entre la física y el machine learning, seamos capaces de revolucionar el modelado y el análisis de los sistemas de la Tierra, y de propiciar proyecciones climáticas más sólidas a medio y largo plazo", dice Markus Reichstein, del Instituto Max Planck de Biogeoquímica. "USMILE puede impulsar un cambio de paradigma en la modelización actual del sistema terrestre hacia una nueva ciencia basada en los datos pero al mismo tiempo consciente de la física", concluye.
Las ERC Synergy Grants se conceden a grupos de entre dos y cuatro co-IPs con competencias, conocimientos y recursos complementarios para abordar conjuntamente proyectos que, por sus características, no podrían resolverse de manera individual. En el caso de USMILE, los cuatro investigadores trabajan a caballo entre el estudio de sistema terrestre y la ciencia de datos y sus conocimientos son complementarios. "Estamos encantados de trabajar juntos en este equipo interdisciplinario y agradecemos al ERC la gran oportunidad que nos brinda", comenta Veronika Eyring.
Creado por la Unión Europea en 2007, el Consejo Europeo de Investigación (ERC) tiene la misión de fomentar la investigación de más alta calidad en Europa a través de una financiación competitiva y apoyar la investigación de frontera en todos los campos de la ciencia, sobre la base de la excelencia científica. Cada año selecciona y financia a los mejores investigadores creativos de cualquier nacionalidad y edad para ejecutar proyectos en Europa. El ERC tiene diferentes esquemas de ayudas para investigadores principales individuales –Starting Grants, Consolidator Grants y Advanced Grants–, además de las Synergy Grants para pequeños grupos de investigadores excelentes.