Três maneiras de inteligência artificial está ajudando a salvar o mundo

Imagem pela Terra da NASAImagem pela Terra da NASA

À medida que os computadores se tornam mais inteligentes, os cientistas buscam novas formas de recrutá-los para a proteção ambiental.

Quando você pensa em inteligência artificial, a primeira imagem que provavelmente vem à mente é um dos robôs sencientes que andam, falam e se emocionam como seres humanos. Mas há um tipo diferente de IA que está se tornando predominante em quase todas as ciências. É conhecido como aprendizado de máquina e gira em torno de alistar computadores na tarefa de ordenar as enormes quantidades de dados que a tecnologia moderna nos permitiu gerar (também conhecidos como “big data”).

Um dos lugares em que o aprendizado de máquina está se revelando o mais benéfico é nas ciências ambientais, que geraram enormes quantidades de informações do monitoramento dos vários sistemas da Terra - aquíferos subterrâneos, o aquecimento do clima ou a migração de animais, por exemplo. Uma série de projetos tem surgido nesse campo relativamente novo, chamado sustentabilidade computacional, que combina dados coletados sobre o ambiente com a capacidade do computador de descobrir tendências e fazer previsões sobre o futuro do nosso planeta. Isso é útil para cientistas e formuladores de políticas, porque pode ajudá-los a desenvolver planos de como viver e sobreviver em nosso mundo em mudança. Aqui está uma olhada em apenas alguns.

Para os pássaros - e elefantes

A Cornell University parece estar liderando o caminho nessa nova fronteira, provavelmente porque tem Instituto de Sustentabilidade Computacionaly também porque a diretora do instituto, Carla P. Gomes, é uma das pioneiras da sustentabilidade computacional. Gomes diz que o campo começou em 2008 quando a National Science Foundation concedeu uma doação de US $ 10 milhões para levar os cientistas da computação a uma pesquisa que teve benefícios sociais. Desde então, sua equipe - e equipes de cientistas em todo o mundo - adotaram a idéia e a seguiram.


Receba as últimas notícias do InnerSelf


Uma área importante onde o aprendizado de máquina pode ajudar o meio ambiente é com a conservação de espécies. Em particular, o instituto Cornell tem trabalhado com o Cornell Lab of Ornithology para combinar o incrível zelo dos observadores de aves com a observação científica. Eles desenvolveram um aplicativo chamado eBird que permite que cidadãos comuns enviem dados sobre as aves que observam ao seu redor, como quantas espécies diferentes podem ser encontradas em um determinado local. Até agora, diz Gomes, eles tiveram mais de 300,000 voluntários a enviar mais de 300 milhões de observações, o que equivale a mais de 22 milhões de horas de trabalho de campo.

Esta animação da migração anual de andorinhas-das-árvores mostra como as técnicas de sustentabilidade computacional podem ser usadas para prever variações populacionais no espaço e no tempo. Imagem de Daniel Fink, Cornell Lab. de Ornitologia

Combinando os dados coletados do eBird com os próprios dados observacionais do laboratório e informações sobre a distribuição de espécies coletadas de redes de sensoriamento remoto, os modelos do instituto usam aprendizado de máquina para prever onde haverá mudanças no habitat de certas espécies e os caminhos pelos quais as aves se moverão durante migração.

“Há grandes lacunas onde não temos observações, mas se você relacionar os padrões de ocorrência e ausência, vemos que essas aves gostam de um determinado tipo de habitat e então podemos generalizar”, diz Gomes. “Estamos realmente usando modelos sofisticados - algoritmos de aprendizado de máquina - para prever como os pássaros são distribuídos”.

Eles podem compartilhar suas previsões com formuladores de políticas e conservacionistas, que podem usá-lo para tomar decisões sobre a melhor forma de proteger o habitat das aves.

Por exemplo, Gomes diz que, com base em informações coletadas através do eBird e processadas pela parceria, a The Nature Conservancy montou uma "Leilão reverso" em partes da Califórnia atingidas pela seca, pagando aos produtores de arroz para reterem água em seus campos quando as aves estiverem migrando e precisando de um habitat de passagem. “Isso só é possível porque temos modelos computacionais avançados que nos fornecem informações de alta precisão sobre como as aves são distribuídas”, diz Gomes.

As aves não são a única área de pesquisa. Grande parte do trabalho do instituto está relacionado à conservação da vida silvestre - ouvir horas de gravações florestais para mapear a localização de elefantes e tiros de caçadores furtivos, por exemplo, ou rastrear ursos pardos para desenvolver um corredor que eles possam usar para se mover com segurança pelo deserto.

Aumentando o PACE

No Goddard Space Flight Center da NASA, a pesquisadora Cecile Rousseaux está usando o aprendizado de máquina para entender melhor a distribuição do fitoplâncton (também conhecido como microalga) nos oceanos. Estas plantas microscópicas flutuam na superfície dos mares e produzem muito do oxigênio que respiramos. Eles formam a base da cadeia alimentar oceânica. Eles também consomem dióxido de carbono e, quando morrem, carregam o carbono com eles quando afundam no fundo do oceano.

“Se não tivéssemos fitoplâncton, veríamos um aumento maior no dióxido de carbono do que estamos vendo”, diz Rousseaux. Por causa disso, seu status geral é uma informação essencial para os pesquisadores que tentam entender o efeito das mudanças nas emissões atmosféricas de CO2 em nosso planeta.

{

Rousseaux está usando imagens de satélite e modelagem por computador para prever as condições atuais e futuras do fitoplâncton oceânico mundial. No momento, o modelo só é capaz de estimar o número total de microalgas que vivem na Terra e como esse total está mudando ao longo do tempo. Mas uma nova missão de satélite chamada PAZ (para “Nuvens pré-aerossóis e ecossistema oceânico”), o lançamento na 2022 abrirá um novo conjunto de dados que examina mais de perto a população e poderá identificar diferentes espécies em vez de simplesmente olhar para o todo, o que substancialmente mude o modelo atual.

“O modelo usa parâmetros baseados em temperatura, luz e nutrientes para nos informar a quantidade de crescimento. A única coisa que a simulação faz é ajustar o total ”, diz ela. Mas existem vários tipos de fitoplâncton que interagem com o ambiente de maneiras únicas. As diatomáceas, por exemplo, são grandes, afundam-se no fundo do oceano muito rapidamente e precisam de muitos nutrientes. O PACE possibilitará identificar os tipos de fitoplâncton em várias partes do oceano, expandindo a capacidade do modelo de nos ajudar a entender como os microorganismos afetam as emissões atmosféricas de CO2. Também nos permitirá fazer coisas como prever florescimentos de algas perigosas e, potencialmente, descobrir maneiras de explorar os talentos de espécies que consomem carbono em maior quantidade para combater a mudança climática.

EarthCube

Falando da Terra como um todo, a National Science Foundation está usando aprendizado de máquina para criar um modelo vivo 3-D de todo o planeta. Chamada EarthCube, a representação digital combinará conjuntos de dados fornecidos por cientistas em toda uma série de disciplinas - medições da atmosfera e hidrosfera ou a geoquímica dos oceanos, por exemplo - para imitar as condições acima e abaixo da superfície. Por causa da vasta quantidade de dados que o cubo irá abranger, ele será capaz de modelar diferentes condições e prever como os sistemas do planeta responderão. E com essa informação, os cientistas serão capazes de sugerir maneiras de evitar eventos catastróficos ou simplesmente planejar aqueles que não podem ser evitados (como inundações ou mau tempo) antes que eles aconteçam.

EarthCubeO EarthCube combina conjuntos de dados para criar um modelo que pode ser usado para prever e minimizar os danos causados ​​por eventos catastróficos.
Imagem de Jeanne DiLeo / USGS
Como parte do projeto EarthCube, o US Geological Survey está colaborando em um projeto do National Science Framework para produzir Crosta Digital, uma estrutura que permitirá uma compreensão mais precisa e robusta dos processos de subsuperfície na Terra, como o equilíbrio de águas subterrâneas e a saúde dos sistemas aqüíferos. "Seremos capazes de executar cálculos científicos que mostram o nível das águas subterrâneas ao longo do tempo, e podemos colocar isso em cenários futuros", diz Sky Bristol, chefe de caracterização biogeográfica da USGS e líder da equipe USGS do projeto EarthCube Digital Crust .

O aprendizado de máquina também entra em cena quando dois modelos de diferentes partes do cubo (como a crosta e a atmosfera) precisam interagir uns com os outros, diz Bristol. Por exemplo, o que parece quando há um aumento na extração de água subterrânea e também um aumento no clima de aquecimento ao mesmo tempo?

A Crosta Digital está programada para ser concluída neste verão. O Digital Crust e todos os projetos do EarthCube estão tornando seus dados e softwares livres. Assim, dentro de alguns anos, qualquer um poderá usar o aprendizado de máquina para fazer previsões sobre todas as possibilidades de uma futura Terra. E isso significa que os geocientistas, que trabalham para entender os vários sistemas da Terra e como as mudanças afetarão a humanidade, terão uma nova ferramenta que lhes permitirá compartilhar dados de todo o mundo - dando a suas previsões mais impacto e permitindo aos humanos uma oportunidade para agir, em vez de reagir, ao nosso mundo em mudança.

Esses exemplos são apenas uma pequena parte da visão geral de como a sustentabilidade computacional pode mudar - e está mudando - nossa capacidade de tornar a vida humana na Terra mais sustentável. Somente em Cornell, outros projetos usando a tecnologia incluem o mapeamento de áreas de pobreza e a eficácia da mitigação da pobreza em países desenvolvidos, determinando o impacto das políticas de extração na pesca oceânica, descobrindo novos materiais que podem ser usados ​​para capturar energia solar, determinando o impacto ataques a navios em populações de baleias e até mesmo lançar luz sobre a eficiência e as implicações do aumento dos impostos sobre a gasolina nos EUA. Se as tendências atuais são uma indicação, podemos esperar muito mais nos próximos anos sobre como a inteligência artificial está nos ajudando a fazer o mundo um lugar melhor para viver a longo prazo.

Este artigo foi publicado originalmente em Ensia Ver página da Ensia

Sobre o autor

biba erinErin Biba é uma jornalista de ciência freelance com sede em Nova York. Seu trabalho aparece regularmente em Newsweek, Scientific American e os Mythbusters ' Tested.com.

Livro relacionado

{amazonWS: searchindex = Livros, palavras-chave = 1605989649; maxresults = 1}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

siga InnerSelf on

facebook-icontwitter-iconrss-icon

Receba as últimas por e-mail

{Emailcloak = off}