Como a inteligência artificial pode ajudar a solucionar as mudanças climáticas

As mudanças climáticas são o maior desafio enfrentado pelo planeta. São necessárias todas as soluções possíveis, inclusive as tecnológicas, como a inteligência artificial (IA).

Enxergando uma oportunidade para ajudar a causa, alguns dos maiores nomes em IA e aprendizado de máquina (uma divisão interna do campo de estudos) publicaram recentemente um estudo chamado “Solucionando as mudanças climáticas com aprendizado de máquina”. O estudo, discutido em uma oficina durante uma importante conferência de IA em junho, foi uma “convocação à luta” em prol da união dos pesquisadores, afirmou David Rolnick, pesquisador de pós-doutorado da Universidade da Pensilvânia e um dos autores do estudo.

“É incrível a quantidade de problemas que podem receber uma contribuição significativa com o aprendizado de máquina”, afirma Rolnick, que também ajudou a organizar a oficina de junho.

O estudo apresenta 13 áreas em que é possível aproveitar o aprendizado de máquina, como produção energética, remoção de CO₂, educação, geoengenharia solar e finanças. Nesses campos de estudos, as possibilidades incluem construções mais eficientes em termos de energia, a criação de novos materiais com pouco uso de carbono, o melhor monitoramento do desmatamento e o transporte mais ecológico. No entanto, apesar do potencial, Rolnick ressalta que a iniciativa está em seus primórdios e a IA não pode solucionar tudo.

“A IA não é infalível”, afirma.

Entretanto, embora possa não ser a solução perfeita, está trazendo novas perspectivas ao problema. Confira a seguir três formas pelas quais o aprendizado de máquina pode ajudar a combater as mudanças climáticas.

Melhores modelos climáticos

Essa iniciativa foi desenvolvida a partir de pesquisas já conduzidas na informática climática, uma área de estudos criada em 2011 que mistura a ciência de dados e as ciências climáticas. A informática climática compreende diversos assuntos: a melhoria de previsões de fenômenos extremos como ciclones, a paleoclimatologia, a reconstrução de condições climáticas passadas com o uso de dados coletados de diversas maneiras, como núcleos de gelo, a redução de escalas climáticas ou a utilização de modelos de grande escala para previsões meteorológicas hiperlocalizadas e os impactos socioeconômicos meteorológicos e climáticos.

A IA também pode oferecer novas perspectivas a partir de grandes quantidades de simulações climáticas complexas geradas pelo campo da modelagem climática, que teve grandes avanços desde que a criação do primeiro sistema em Princeton na década de 1960. Das dezenas de modelos desenvolvidos, todos analisam dados sobre a atmosfera, os oceanos, a superfície terrestre, a criosfera ou o gelo. Contudo, apesar de haver consenso sobre os pressupostos científicos básicos, Claire Monteleoni, professora de ciências da computação da Universidade de Colorado, Boulder e um cofundador da informática climática destacam que, embora os modelos sejam geralmente compatíveis no curto prazo, surgem discrepâncias nas previsões em longo prazo.

“Há muita incerteza. Os modelos divergem até sobre as mudanças futuras na precipitação”, conta Monteleoni.

Um projeto que contou com a participação de Monteleoni faz uso de algoritmos de aprendizado de máquina para reunir as previsões de aproximadamente 30 modelos climáticos utilizados pelo Painel Intergovernamental sobre Mudanças Climáticas. Previsões melhores podem ajudar oficiais a implantarem políticas climáticas esclarecidas, permitir que governos se preparem para as mudanças e revelar áreas com potencial de reverter parte dos efeitos das mudanças climáticas.

Demonstrando os efeitos de extremos meteorológicos

Há quem já tenha sofrido na pele os efeitos das mudanças ambientais. Para outros, esses efeitos podem parecer menos palpáveis. Para que mais pessoas tenham uma percepção mais realista sobre isso, pesquisadores do Instituto de Algoritmos de Aprendizado de Montreal (MILA, na sigla em inglês), da Microsoft e da ConscientAI Labs utilizaram GANs, uma espécie de IA, para simular como provavelmente ficarão as casas após os danos causados pela elevação do nível do mar e por tempestades mais intensas.

“Nosso objetivo não é convencer as pessoas a respeito das mudanças climáticas e sim convencer quem já acredita que as mudanças sejam reais para que façam mais a respeito”, afirmou Victor Schmidt, coautor do estudo e candidato a Ph.D. do MILA.

Até agora, os pesquisadores do MILA já participaram de reuniões com servidores municipais de Montreal e ONGs que estão ansiosos para utilizar a ferramenta. Nos planos futuros, está o lançamento de um aplicativo que mostre às pessoas como ficarão seus bairros e casas futuramente com diferentes cenários de mudanças climáticas. No entanto o aplicativo precisará de mais dados e Schmidt revela que, em algum momento, desejam permitir que os próprios usuários carreguem fotos de enchentes e incêndios florestais para melhorar o algoritmo.

“Queremos dar autonomia a essas comunidades para que ofereçam ajuda”, afirmou.

Avaliando a origem do carbono

A Carbon Tracker é uma organização independente catalizadora de ideias financeiras que trabalha para alcançar o objetivo da ONU de evitar a construção de novas usinas de carvão até 2020. Com o monitoramento das emissões de usinas de carvão com imagens de satélite, a Carbon Tracker pode utilizar os dados que coleta para convencer o setor financeiro de que usinas de carvão não são lucrativas.

Uma bolsa do Google está expandindo as iniciativas de obtenção de imagens de satélite dessa organização sem fins lucrativos para entender melhor a origem da poluição atmosférica. Embora existam sistemas de monitoramento contínuo próximos às usinas de energia capazes de medir as emissões de CO2 de forma mais direta, eles não têm alcance global.

“Esse recurso pode ser empregado em todo o mundo em locais onde não existe monitoramento”, afirmou Durand D’souza, cientista de dados da Carbon Tracker. “E não precisamos pedir autorização.”

A IA pode automatizar a análise de imagens de usinas de energia a fim de obter atualizações regulares das emissões. Ela ainda introduz novas maneiras para medir o impacto de uma usina, analisando dados sobre o uso de eletricidade e infraestrutura na região. É útil para usinas a gás que não soltam a fumaça de fácil medição que as usinas a carvão possuem.

A Carbon Tracker analisará emissões de 4 mil a 5 mil usinas de energia, obtendo e divulgando muito mais informações que as atualmente disponíveis. No futuro, se for aprovado um imposto sobre o carbono, o sensoriamento remoto da Carbon Tracker poderia ajudar a estabelecer um preço para as emissões e a identificar quem é o responsável por elas.

“O aprendizado de máquina ajudará bastante nessa área”, afirmou D’souza.