Desde a Revolução Industrial, a queima de combustíveis fósseis e as mudanças no uso da terra, especialmente o desmatamento, impulsionaram o aumento do dióxido de carbono (CO2) atmosférico. Embora as plantas terrestres e os oceanos atuem como sumidouros naturais de carbono, absorvendo parte deste CO2, as emissões de carbono têm ultrapassado a sua capacidade anual. Este desequilíbrio aumentou ainda mais a concentração de CO2 na atmosfera, alimentando o aquecimento global e fenómenos climáticos extremos. Compreender o orçamento de carbono – como o CO2 é produzido e absorvido – tornou-se importante na luta contra as alterações climáticas, especialmente à medida que os países lutam pela neutralidade carbónica.
O principal desafio reside em medir com precisão o orçamento de carbono e o seu impacto ambiental. O orçamento de carbono mede o equilíbrio entre as emissões provenientes de combustíveis fósseis, a produção de cimento, as alterações na utilização dos solos e as fontes naturais de CO2 em relação à capacidade de absorção dos sumidouros de carbono. É fácil enfrentar a crescente crise climática com dados precisos e oportunos sobre os níveis de CO2 e os sumidouros de carbono. Os métodos existentes não conseguem acompanhar as mudanças nos sumidouros globais de carbono com rapidez suficiente, especialmente quando perturbações naturais – como incêndios florestais ou El Niño – alteram inesperadamente a dinâmica do carbono.
Os métodos tradicionais de orçamentação do carbono baseiam-se frequentemente em simulações numéricas do ciclo global do carbono. Embora esses modelos possam simular processos complexos do sistema terrestre, eles frequentemente sofrem atrasos significativos. Por exemplo, o relatório Orçamento Global de Carbono 2023, que utiliza dados até ao final de 2022, mostra uma lacuna de um ano nas informações sobre o orçamento de carbono. Este atraso limita o desempenho dos modelos actuais no fornecimento de dados climáticos oportunos que possam orientar acções no mundo real. Os investigadores precisam de uma forma rápida e fiável de captar mudanças repentinas na dinâmica do carbono que afetam o aquecimento global.
Para resolver esta limitação, investigadores da Microsoft Research Asia, em colaboração com a Universidade de Tsinghua, o Laboratório Francês de Ciências Climáticas e Ambientais e outras organizações de investigação em todo o mundo, lançaram um programa. Uma abordagem baseada em IA para orçamentação de carbono quase em tempo real. Ao combinar dados de satélite, modelos de vegetação de alterações climáticas globais e modelos oceânicos, a equipa de investigação desenvolveu um modelo rápido de sumidouro de carbono capaz de prever orçamentos de carbono com velocidade e precisão sem precedentes. Este modelo usa o poder das redes neurais convolucionais (CNNs) e técnicas de aprendizagem semissupervisionadas para fornecer resultados de baixa latência.
O modelo proposto baseado em IA utiliza observações de variáveis ambientais e dados históricos para prever as taxas globais de sumidouros de carbono. O modelo inclui 12 meses de dados históricos, fatores mensais e resultados desejados. As CNNs processam esses dados para calcular previsões, enquanto o aprendizado não supervisionado fornece uma função de perda não supervisionada para melhorar a precisão das previsões. O modelo processa dados ambientais de perturbações oceânicas e terrestres e fumaça de incêndio por satélite para fornecer atualizações em tempo real sobre os sumidouros de CO2. Esta metodologia garante que as previsões sejam feitas com uma margem de erro inferior a 2%, proporcionando uma alternativa rápida e reativa aos métodos tradicionais de orçamentação de carbono.
Os resultados deste modelo de sumidouro de carbono em tempo real mostraram uma precisão promissora. Em particular, o modelo foi capaz de acompanhar uma diminuição dramática nos sumidouros globais de carbono até 2023. A floresta amazônica, que foi duramente atingida pela seca, apresentou uma perda de sumidouros de carbono de 0,31 ± 0,19 GtC. O modelo também previu com precisão as emissões de carbono dos incêndios florestais de 2023 na América do Norte, que contribuíram com 0,58 ± 0,10 GtC para o CO2 atmosférico. Além disso, o modelo detectou uma transição de La Niña para uma fase moderada de El Niño, que teve um impacto significativo na dinâmica global do carbono. Essas descobertas destacam a eficácia da modelagem de IA na captura de mudanças ambientais dinâmicas e na geração de dados acionáveis em tempo real.
Em conclusão, o rápido declínio dos sumidouros globais de carbono representa uma grande ameaça à eficácia dos esforços globais de neutralidade carbónica. Um modelo de orçamento de carbono baseado em IA apresentado por uma equipa de investigadores da Microsoft Research Asia, da Universidade Tsinghua e do Laboratório Francês de Ciências Climáticas e Ambientais oferece uma nova solução para os desafios da estimativa do orçamento de carbono. A capacidade do modelo de produzir previsões em tempo real e acompanhar as alterações climáticas com mais precisão do que os métodos convencionais é um importante passo em frente nos esforços globais para combater as alterações climáticas. Ao reduzir o atraso na atualização dos dados sobre carbono, esta abordagem facilita a ação climática e a elaboração de políticas em resposta a ameaças ambientais urgentes.
Confira eu Detalhes aqui. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 60k + ML.
🚨 [Must Subscribe]: Assine nosso boletim informativo para tendências de pesquisa de IA e atualizações de desenvolvimento
Nikhil é consultor estagiário na Marktechpost. Ele está cursando dupla graduação em Materiais no Instituto Indiano de Tecnologia, Kharagpur. Nikhil é um entusiasta de IA/ML que pesquisa constantemente aplicações em áreas como biomateriais e ciências biomédicas. Com sólida formação em Ciência de Materiais, ele explora novos desenvolvimentos e cria oportunidades para contribuir.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
