Tres maneras en que la inteligencia artificial está ayudando a salvar el mundo

Imagen de la Tierra de la NASAImagen de la Tierra de la NASA

A medida que las computadoras se vuelven más inteligentes, los científicos buscan nuevas formas de reclutarlos para la protección ambiental.

Cuando piensas en inteligencia artificial, la primera imagen que te viene a la mente es uno de los robots inteligentes que caminan, hablan y se emocionan como humanos. Pero hay un tipo diferente de IA que se está volviendo prevalente en casi todas las ciencias. Se conoce como aprendizaje automático, y gira en torno al alistamiento de computadoras en la tarea de clasificar las enormes cantidades de datos que la tecnología moderna nos ha permitido generar (también conocido como "big data").

Uno de los lugares en que el aprendizaje automático está resultando ser el más beneficioso es el de las ciencias ambientales, que han generado una gran cantidad de información a partir del monitoreo de varios sistemas de la Tierra: acuíferos subterráneos, clima cálido o migración de animales, por ejemplo. Una gran cantidad de proyectos han aparecido en este campo relativamente nuevo, llamado sostenibilidad computacional, que combina datos recopilados sobre el medio ambiente con la capacidad de una computadora para descubrir tendencias y hacer predicciones sobre el futuro de nuestro planeta. Esto es útil para científicos y legisladores porque puede ayudarlos a desarrollar planes para vivir y sobrevivir en nuestro mundo cambiante. Aquí hay un vistazo a solo algunos.

Para las aves - y los elefantes

La Universidad de Cornell parece liderar el camino en esta nueva frontera, probablemente porque tiene un Instituto de Sostenibilidad Computacionaly también porque la directora de ese instituto, Carla P. Gomes, es una de las pioneras de la sostenibilidad computacional. Gomes dice que el campo comenzó en 2008 cuando la National Science Foundation otorgó una subvención de 10 por valor de US $ para impulsar a los científicos informáticos a la investigación que tenía un beneficio social. Desde entonces, su equipo y equipos de científicos de todo el mundo se han llevado la idea y han corrido con ella.

Un área importante donde el aprendizaje automático puede ayudar al medioambiente es con la conservación de especies. En particular, el instituto Cornell ha estado trabajando con el Laboratorio de Ornitología de Cornell para combinar el increíble celo de los observadores de aves con la observación científica. Han desarrollado una aplicación llamada eBird que permite a los ciudadanos comunes enviar datos sobre las aves que observan a su alrededor, como cuántas especies diferentes se pueden encontrar en un lugar determinado. Hasta ahora, dice Gomes, han tenido más de 300,000 voluntarios que envían más de 300 millones de observaciones, lo que equivale a más de 22 millones de horas de trabajo de campo.

Esta animación de la migración anual de las golondrinas muestra cómo las técnicas de sustentabilidad computacional pueden usarse para predecir las variaciones de la población a través del espacio y el tiempo. Imagen de Daniel Fink, Cornell Lab. de ornitología

Esta animación de la migración anual de las golondrinas muestra cómo las técnicas de sustentabilidad computacional pueden usarse para predecir las variaciones de la población a través del espacio y el tiempo. Imagen de Daniel Fink, Cornell Lab. de ornitología


Obtenga lo último de InnerSelf


Combinando los datos recopilados de eBird con los datos observacionales del laboratorio e información sobre distribución de especies recopilada de redes de teledetección, los modelos del instituto usan el aprendizaje automático para predecir dónde habrá cambios en el hábitat de ciertas especies y los caminos a lo largo de los cuales se moverán las aves. migración.

"Hay grandes lagunas en las que no tenemos observaciones, pero si se relacionan los patrones de ocurrencia y ausencia, vemos que estas aves les gusta cierto tipo de hábitat y luego podemos generalizar", dice Gomes. "Realmente estamos utilizando modelos sofisticados, algoritmos del aprendizaje automático, para predecir cómo se distribuyen las aves".

Luego, pueden compartir sus predicciones con los responsables de la formulación de políticas y los conservacionistas, que pueden utilizarla para tomar decisiones sobre cómo proteger mejor el hábitat de las aves.

Por ejemplo, Gomes dice que, en base a la información recopilada a través de eBird y procesada por la asociación, The Nature Conservancy ha establecido una "Subasta inversa" en partes afectadas por la sequía de California, pagando a los cultivadores de arroz para que retengan agua en sus campos cuando es probable que las aves migren y necesiten un hábitat de escala. "Esto solo es posible porque tenemos modelos computacionales avanzados que nos brindan información de alta precisión sobre cómo se distribuyen las aves", dice Gomes.

Las aves no son la única área de investigación. Gran parte del trabajo del instituto está relacionado con la conservación de la vida silvestre: escuchar horas de grabaciones forestales para mapear la ubicación de las llamadas de elefantes y disparos de cazadores furtivos, por ejemplo, o rastrear osos pardos para desarrollar un corredor que puedan usar para moverse de manera segura a través del desierto.

Subiendo el ritmo

En el Goddard Space Flight Center de la NASA, la científica investigadora Cecile Rousseaux está utilizando el aprendizaje automático para comprender mejor la distribución del fitoplancton (también conocido como microalgas) en los océanos. Estas plantas microscópicas flotan en la superficie de los mares y producen gran parte del oxígeno que respiramos. Forman la base de la red alimentaria oceánica. También consumen dióxido de carbono y, cuando mueren, llevan el carbono consigo mientras se hunden en el fondo del océano.

"Si no tuviéramos fitoplancton, veríamos un mayor aumento en el dióxido de carbono que estamos viendo", dice Rousseaux. Debido a esto, su estado general es información esencial para los investigadores que intentan comprender el efecto de los cambios en el CO atmosférico2 en nuestro planeta.

{

Rousseaux está utilizando imágenes satelitales y modelos informáticos para predecir las condiciones actuales y futuras del fitoplancton oceánico mundial. Por el momento, el modelo solo puede estimar el número total de microalgas que viven en la Tierra y cómo ese total está cambiando con el tiempo. Pero una nueva misión de satélite llamó LA PAZ (para "Nubes preaerosol y ecosistema oceánico"), el lanzamiento en 2022 abrirá un nuevo conjunto de datos que observa más de cerca a la población y puede identificar diferentes especies en lugar de simplemente observar el conjunto, lo que hará sustancialmente cambiar el modelo actual.

"El modelo usa parámetros basados ​​en temperatura, luz y nutrientes para decirnos la cantidad de crecimiento. Lo único que hace la simulación es ajustar el total ", dice ella. Pero hay una gran cantidad de diferentes tipos de fitoplancton que interactúan con el medio ambiente de maneras únicas. Las diatomeas, por ejemplo, son grandes, se hunden en el fondo del océano muy rápido y necesitan muchos nutrientes. PACE permitirá identificar los tipos de fitoplancton en diversas partes del océano, ampliando la capacidad del modelo para ayudarnos a comprender cómo los microorganismos afectan el CO atmosférico.2. También nos permitirá hacer cosas como predecir floraciones de algas peligrosas y descubrir formas de explotar el talento de las especies que consumen carbono en mayor cantidad para combatir el cambio climático.

EarthCube

Hablando de la Tierra como un todo, la National Science Foundation está utilizando el aprendizaje automático para crear un modelo de vida 3-D de todo el planeta. Llamado EarthCube, la representación digital combinará los conjuntos de datos proporcionados por los científicos en una serie de disciplinas (mediciones de la atmósfera y la hidrosfera o la geoquímica de los océanos, por ejemplo) para imitar las condiciones en, encima y debajo de la superficie. Debido a la gran cantidad de datos que abarcará el cubo, podrá modelar diferentes condiciones y predecir cómo responderán los sistemas del planeta. Y con esa información, los científicos podrán sugerir formas de evitar eventos catastróficos o simplemente planear aquellos que no pueden evitarse (como inundaciones o mal tiempo) antes de que sucedan.

EarthCubeEarthCube combina conjuntos de datos para crear un modelo que se puede utilizar para predecir y minimizar el daño causado por eventos catastróficos.
Imagen de Jeanne DiLeo / USGS
Como parte del proyecto EarthCube, el Servicio Geológico de los EE. UU. Está colaborando en un proyecto del Marco Nacional de Ciencias para producir el Costra digital, un marco que permitirá una comprensión más precisa y sólida de los procesos subsuperficiales en la Tierra, como el equilibrio de las aguas subterráneas y la salud de los sistemas acuíferos. "Podremos ejecutar cálculos científicos que muestren el nivel del agua subterránea a lo largo del tiempo, y podemos compararlo con escenarios futuros", dice Sky Bristol, jefe de la sección de caracterización biogeográfica del USGS y líder del equipo USGS para el proyecto EarthCube Digital Crust .

El aprendizaje automático también entra en juego cuando dos modelos de diferentes partes del cubo (como la corteza y la atmósfera) tienen que interactuar entre sí, dice Bristol. Por ejemplo, ¿cómo se ve cuando hay un aumento en la extracción de agua subterránea y también un aumento en el clima de calentamiento al mismo tiempo?

Digital Crust está programado para completarse este verano. Digital Crust y todos los proyectos de EarthCube están haciendo que sus datos y software sean de código abierto. Entonces, dentro de unos años, cualquiera podrá usar el aprendizaje automático para hacer predicciones sobre todas las posibilidades de una Tierra futura. Y eso significa que los geocientíficos, que trabajan para comprender los diversos sistemas de la Tierra y cómo los cambios dentro de ellos afectarán a la humanidad, tendrán una nueva herramienta que les permitirá compartir datos entre sí de todo el mundo, dando a sus predicciones más impacto y permitiendo a los humanos una oportunidad para actuar, en lugar de reaccionar, a nuestro mundo cambiante.

Estos ejemplos son solo una pequeña parte de la gran imagen de cómo la sostenibilidad computacional puede cambiar, y está cambiando, nuestra capacidad para hacer que la vida humana en la Tierra sea más sostenible. Solo en Cornell, otros proyectos que usan la tecnología incluyen mapeo de áreas de pobreza y eficacia de mitigación de la pobreza en países desarrollados, determinando el impacto de las políticas de aprovechamiento en la pesca oceánica, descubriendo nuevos materiales que pueden usarse para capturar energía solar, determinando el impacto de los ataques a las poblaciones de ballenas e incluso arrojar luz sobre la eficiencia y las implicaciones del aumento de los impuestos a la gasolina en los EE. UU. Si las tendencias actuales son un indicio, podemos esperar escuchar mucho más en los próximos años sobre cómo la inteligencia artificial nos está ayudando a hacer el mundo un mejor lugar para vivir a largo plazo.

Este artículo apareció originalmente en ENSIA Ver la página principal de Ensia

Sobre el Autor

biba erinErin Biba es una periodista científica independiente con sede en Nueva York. Su trabajo aparece regularmente en Newsweek, Scientific American y The Mythbusters ' Tested.com.

Libro relacionado

{amazonWS: searchindex = Libros; palabras clave = 1605989649; maxresults = 1}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

seguir a InnerSelf en

facebook-icontwitter-iconrss-icon

Obtenga lo último por correo electrónico

{Off} = emailcloak