A crise climática está se tornando mais urgente e mais séria, com eventos cada vez mais extremos acontecendo com maior frequência. Os nova-iorquinos que o digam. Prevê-los segue sendo um enorme desafio, não apenas para os ambientalistas. O relatório anual da AON sobre tempo, clima e catástrofes, calcula que as perdas econômicas globais decorrentes de desastres naturais chegaram a US $ 268 bilhões no ano passado. E alerta que os impactos sociais e financeiros têm sido amplificados pela concentração de pessoas em áreas mais densamente povoadas.
Enfrentar essas questões exige novas estratégias de resiliência e mitigação de risco. Até por que, as tradicionais ferramentas de previsão do tempo têm falhado no entrentamento dos eventos extremos.
Em pouco mais de uma década, o poder computacional e os avanços em IA permitirão que os computadores domésticos tenham tanto poder quanto os supercomputadores de hoje, reduzindo o custo da pesquisa, aumentando a produtividade científica e acelerando as descobertas. As técnicas de IA também podem ajudar a corrigir vieses nos modelos, extrair os dados mais relevantes para evitar a degradação dos dados, prever eventos extremos e ser usados para modelagem de impactos.
Apesar dos milhões de bytes de dados climáticos gerados todos os dias, apenas uma pequena fração deles tem sido usada atualmente para treinar modelos capazes de simular a ocorrência de condições meteorológicas fora do padrão, e calcular os riscos associados. Mais e melhores dados são necessários. Não por acaso, cientistas do National Energy Research Scientific Computing Center (NERSC), na Califórnia, criaram um banco de dados de crowdsourcing de padrões climáticos extremos.
Eles também estão usando a IA para gerar melhores algoritmos e encontrar padrões ocultos nos dados.
A IA pode ajudar a extrair mais valor dos vastos conjuntos de dados disponíveis. Estender a análise por períodos de tempo mais longos, levando em consideração dados paleo-climáticos de eras passadas, por exemplo. Melhorar nossa compreensão dos efeitos de feedback, reduzir as incertezas e detectar sinais escondidos nas grandes massas de dados não analisadas. E apontar como a crise climática poderia evoluir.
“Nos últimos 10 anos, foi provado de forma conclusiva que a IA e, em particular, as técnicas de Deep Learning são realmente adequadas para resolver o problema de visão computacional. Sentimos que poderíamos aplicar a mesma ideia para encontrar padrões climáticos extremos”, explica Prabhat, um dos líderes da equipe de Data and Analytics Services no NERSC, operado pelo Laboratório Nacional Lawrence Berkeley. Depois de ser treinado com mais de 500 exemplos marcados, o sistema criado NERSC é capaz hoje de detectar a maioria dos ciclones tropicais.
“Cientistas climáticos experientes estão muito convencidos de que o Deep Learning leva à identificação dos padrões corretos”, diz Karthik Kashinath, outro líder do projeto . Isso não quer dizer que ele seja perfeito – o sistema ainda produz uma série de falsos positivos e falsos negativos – mas os pesquisadores esperam que ele possa ser melhorado com mais dados de treinamento.
Além do banco de dados e do sistemas, a equipe de Prablaat e de Karthik criou também uma ferramenta de rotulagem online chamada ClimateContours , que permite que outros cientistas carreguem seus próprios conjuntos de dados e os rotulem.
“Se uma dúzia de instituições ao redor do mundo puderem fornecer rótulos correspondentes a talvez uma dúzia de padrões [de clima extremo], então poderemos resolver esses problemas de uma vez por todas e poderemos passar para o próximo conjunto de problemas”, disse Prabhat.
Cientistas da Rice University, no Texas, também desenvolveram um sistema de computador que aprendeu a prever eventos climáticos extremos. O sistema aprendeu com centenas de pares de mapas que mostram as temperaturas da superfície e a pressão do ar, medidas com vários dias de intervalo. Futurity relatou que, “Uma vez treinado, o sistema pode examinar mapas que não tinha visto anteriormente e fazer previsões de cinco dias de condições meteorológicas extremas com 85 por cento de precisão”.
Há ainda um longo caminho a percorrer. Mas esses já estão longe de ser os únicos exemplos do uso da IA para análise de riscos climáticos. Outros gigantes da tecnologia estão se envolvendo na modelagem do tempo e do clima, assim como uma série de startups. Melhores previsões tornarão mais fácil a adaptação, gerenciando melhor os recursos e mobilizando ajuda mais rapidamente. Empresas poderão fazer planos de contingência se souberem que uma seca prolongada pode ocorrer, por exemplo, e as estimativas de seguro serão mais precisas para clientes em áreas com risco de inundações.
Pesquisadores de Stanford desenvolveram uma ferramenta de aprendizado de máquina para identificar condições para eventos extremos de precipitação no meio-oeste americano, por exemplo. É um dos primeiros exemplos de uso de IA para analisar as causas das mudanças de longo prazo em eventos extremos.
Na Europa, pesquisadores do Instituto Alan Turing , da University College London e do British Antarctic Survey deciciram usar Deep Learning para prever a concentração de gelo marinho no Ártico. Segundo eles, seu sistema IceNet tem um desempenho melhor do que os métodos estatísticos existentes usados para prever os níveis de gelo do mar. As previsões sobre o momento e a localização da perda de gelo marinho podem fornecer alertas antecipados sobre as possíveis condições do gelo marinho que estão por vir, o que é crítico para as comunidades locais, autoridades e grupos de conservação do ecossistema ártico.
Em outro bom exemplo, a Fundação Internacional de Big Data e Inteligência Artificial para o Desenvolvimento Humano ( iFAB ) uniu forças com o Centro Euro-Mediterrâneo sobre Mudanças Climáticas ( CMCC ) e o Leithà para criar o Índice Europeu de Eventos Climáticos Extremos (E3CI), um índice índice meteorológico que promove uma mudança fundamental na forma como as seguradoras podem fazer negócios e calcular os riscos relacionados ao clima. Sua publicaçõ é um primeiro pequeno passo para tornar os passivos relacionados ao clima negociáveis nos mercados financeiros. Um dos alicerces, portant0, para o desenvolvimento de um mercado que não existia até agora e que era administrado por meio de transações bilaterais.
O cálculo do E3CI utiliza a última geração de dados de reanálise climatológica, produzidos pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo ( ECMWF ) e distribuídos pelo Copernicus da Comissão Europeia – a reconstrução de dados climatológicos mais avançada atualmente disponível. O índice surge da necessidade de uma ferramenta versátil para monitorar tendências climáticas e eventos extremos, para ser usado em contextos heterogêneos.
No Brasil, a WayCarbon, especializada em soluções para a economia de baixo carbono, prepara o lançamento da plataforma MOVE (Model for Vulnerability Evaluation), no modelo SaaS. A solução, que já foi aplicada para avaliar riscos de várias cidades e empresas, cria cenários temporais e de impactos de riscos físicos decorrentes das mudanças climáticas, a partir dos quais é possível estimar impactos financeiros. Pode ser aplicado em qualquer contexto de negócio ou setor da economia que possa ter pessoas e ativos expostos aos riscos climáticos, como bancos, empresas de energia, varejo e saúde.
O objetivo é aumentar a resiliência dos clientes frente a situações adversas ocasionadas pelas mudanças climáticas, explica Felipe Bittencourt, CEO da WayCarbon. Localizados os pontos de vulnerabilidade e suas causas é possível apontar quais medidas devem ser tomadas, onde investir, como atuar e o que priorizar para se adaptar ao futuro, reduzindo impactos negativos, contribuindo para a melhoria da qualidade de vida, aumentando a produtividade.
Completando 15 anos este ano, a empresa está se reinventando, migrando de uma consultoria ambiental para uma empresa de soluções em sustentabilidade e gestão ambiental, utilizando a IA como diferencial competitivo.
Definitivamente, agora é hora de abraçar esse progresso e utilizar todo o poder da IA para ajudar a acelerar nossa luta contra as mudanças climáticas.
Por exemplo, a solução “Hydronet” do Google pode ajudar a identificar as vulnerabilidades mais críticas no caso de inundações extremas de rios com prazos e precisão sem precedentes. Como tal, é utilizado para ajudar a melhorar a previsão de enchentes na Índia e em Bangladesh, cobrindo mais de 250 milhões de pessoas em risco.
Analogamente, as soluções baseadas em IA podem ajudar a mapear proativamente os planos de mitigação e contingência de crises e implantar ajuda de maneira eficaz quando necessário. Por exemplo, uma equipe BCG GAMMA usou IA para ajudar a combater os incêndios florestais na Austrália. A AI identificou com precisão as áreas vulneráveis e avaliou de forma confiável o impacto de diferentes medidas.
Em suma, a IA é uma ferramenta excepcionalmente poderosa que oferece o potencial de acelerar exponencialmente a resposta climática global. Agora está nas mãos dos líderes de negócios globais para alavancar efetivamente os pontos fortes da IA e utilizá-los para enfrentar os desafios mais complexos que impedem essas empresas de reduzir as emissões em escala.