Nací y crecí en Ecuador. En este país, el tiempo y el clima dan forma a nuestras vidas. Por ejemplo, nuestro suministro de energía depende de precipitaciones suficientes para generar energía hidroeléctrica. Cuando era niño, recuerdo haber tenido continuos apagones. Desafortunadamente, Ecuador no ha sido resiliente. Al momento de escribir este artículo, estamos experimentando apagones nuevamente. Paradójicamente, El Niño Oscilación del Sur nos trae inundaciones cada año. Me encanta el senderismo y con mucha tristeza vi cómo nuestros glaciares han retrocedido.

Hace diez años decidí estudiar un doctorado en meteorología. El cambio climático y sus implicaciones me preocupaban. Es un desafío enorme al que se enfrenta la humanidad en este siglo. Ha habido enormes avances en nuestra comprensión científica de este problema. Pero todavía necesitamos más acción.

Cuando comencé mi doctorado, pocos investigadores utilizaban técnicas de inteligencia artificial (IA). Hoy en día, existe consenso en que aprovechar el potencial de la IA puede marcar la diferencia. En particular, en la mitigación y adaptación al cambio climático.

El aprendizaje automático y, en particular, la visión por computadora (CV) nos permiten dar sentido a las enormes cantidades de datos disponibles. Este poder nos permitirá actuar. Descubrir patrones ocultos en datos visuales (por ejemplo, datos satelitales) es una tarea crítica para abordar el cambio climático.

Este artículo presenta el CV y ​​su intersección con el cambio climático. Es el primero de una serie sobre este tema. El artículo tiene cinco secciones. Primero, presenta una introducción. A continuación, el artículo define algunos conceptos básicos relacionados con el CV. Luego, explora las capacidades de CV para abordar el cambio climático con estudios de casos. Después de eso, el artículo analiza los desafíos y las direcciones futuras. Finalmente, un resumen proporciona una visión general.

Comprender la visión por computadora

CV utiliza métodos computacionales para aprender patrones a partir de imágenes. La Observación de la Tierra (EO) se basa principalmente en imágenes de satélite. Por tanto, el CV es una herramienta muy adecuada para el análisis del cambio climático. Para comprender los patrones climáticos a partir de imágenes, se necesitan varias técnicas. Algunos de los más importantes son la clasificación, la detección de objetos y la segmentación.

Clasificación: Implica categorizar imágenes (individuales) en función de clases predefinidas (etiquetas individuales). La detección de incendios y el mapeo de áreas quemadas utilizan técnicas de clasificación de imágenes en imágenes de satélite. Estas imágenes proporcionan firmas espectrales relacionadas con la vegetación quemada. Utilizando estos patrones únicos, los investigadores pueden rastrear el impacto de los incendios forestales.

Detección de objetos: Comprende localizar objetos en un área de interés. El seguimiento de huracanes y ciclones utiliza esta técnica. Detectar sus patrones de nubes ayuda a mitigar su impacto en las zonas costeras.

Segmentación de imagen: Asigna una clase a cada píxel de una imagen. Esta técnica ayuda a identificar regiones y sus límites. La segmentación también se denomina «segmentación semántica». Dado que cada región (clase objetivo) recibe una etiqueta, su definición incluye «semántica». Por ejemplo, el seguimiento del retroceso de un glaciar utiliza esta técnica. La segmentación de imágenes satelitales de los glaciares permite rastrear sus cambios. Por ejemplo, monitorear la extensión, el área y el volumen de los glaciares a lo largo del tiempo.

Esta sección proporcionó algunos ejemplos de CV en acción para abordar el cambio climático. La siguiente sección los analizará como estudios de caso.

Estudio de caso 1: Detección de incendios forestales

El cambio climático tiene varias implicaciones para los incendios forestales. Por ejemplo, aumentar la probabilidad de que se produzcan fenómenos extremos. Además, ampliar el cronograma de las temporadas de incendios. Asimismo, exacerbará la intensidad del fuego. Por lo tanto, es imperativo invertir recursos en soluciones innovadoras para prevenir incendios forestales catastróficos.

Este tipo de investigaciones depende del análisis de imágenes para la detección temprana de incendios forestales. Los métodos de ML, en general, demostraron ser eficaces para predecir estos eventos.

Sin embargo, los algoritmos avanzados de aprendizaje profundo de IA producen los mejores resultados. Un ejemplo de estos algoritmos avanzados son las redes neuronales (NN). Las NN son una técnica de aprendizaje automático inspirada en la cognición humana. Esta técnica se basa en una o más capas convolucionales para detectar características.

Las redes neuronales convolucionales (CNN) son populares en las aplicaciones de ciencias de la tierra. CNN muestra el mayor potencial para aumentar la precisión de la detección de incendios. Varios modelos utilizan este algoritmo, como VGGNet, AlexNet o GoogleNet. Estos modelos presentan una precisión mejorada en las tareas CV.

La detección de incendios mediante algoritmos CV requiere segmentación de imágenes. Sin embargo, antes de segmentar los datos, es necesario realizar un preprocesamiento. Por ejemplo, para reducir el ruido, normalizar valores y cambiar el tamaño. A continuación, el análisis etiqueta los píxeles que representan el fuego. Distinguiéndolos así de otra información de la imagen.

Estudio de caso 2: Seguimiento de ciclones

El cambio climático aumentará la frecuencia e intensidad de los ciclones. En este caso, las aplicaciones en tiempo real no procesan una gran cantidad de datos. Por ejemplo, datos de modelos, satélites, radares y estaciones meteorológicas terrestres. CV demuestra ser eficiente en el procesamiento de estos datos. También ha reducido los sesgos y errores relacionados con la intervención humana.

Por ejemplo, los modelos numéricos de predicción del tiempo utilizan sólo entre el 3% y el 7% de los datos. En este caso, observaciones procedentes de Satélites Ambientales Operacionales Geoestacionarios (GOES). Los procesos de asimilación de datos utilizan aún menos de estos datos. Los modelos de CNN seleccionan entre esta gran cantidad de imágenes las observaciones más relevantes. Estas observaciones se refieren a regiones de interés (ROI) activas por ciclones (o que pronto estarán activas).

Identificar este ROI es una tarea de segmentación. Existen varios modelos utilizados en Ciencias de la Tierra para abordar este problema. Sin embargo, U-Net CNN es una de las opciones más populares. El diseño del modelo se relaciona con tareas de segmentación médica. Pero también ha demostrado ser útil para resolver problemas meteorológicos.

Estudio de caso 3: Seguimiento del retiro glacial

Los glaciares son termómetros del cambio climático. Los efectos de las variaciones climáticas sobre los glaciares son visuales (retroceso de contornos). Por tanto, simbolizan las consecuencias de la variabilidad y el cambio climático. Además de los impactos visuales, el retroceso de los glaciares tiene otras consecuencias. Por ejemplo, efectos adversos sobre la sostenibilidad de los recursos hídricos. Desestabilización de la generación hidroeléctrica. Afectando la calidad del agua potable. Reducciones de la producción agrícola. Ecosistemas en desequilibrio. A escala global, incluso el aumento del nivel del mar amenaza a las regiones costeras.

El proceso de seguimiento de los glaciares solía llevar mucho tiempo. La interpretación de imágenes de satélite necesita de expertos que las digitalicen y analicen. CV puede ayudar a automatizar este proceso. Además, la visión por computadora puede hacer que el proceso sea más eficiente. Por ejemplo, permitiendo incorporar más datos al modelado. Los modelos de CNN como GlacierNet aprovechan el poder del aprendizaje profundo para rastrear los glaciares.

Existen varias técnicas para detectar los límites de los glaciares. Por ejemplo, segmentación, detección de objetos y también detección de bordes. CV puede realizar tareas aún más complejas. La comparación de imágenes de glaciares a lo largo del tiempo es un ejemplo. Asimismo, determinar la velocidad de movimiento de los glaciares e incluso su espesor. Se trata de herramientas poderosas para rastrear la dinámica de los glaciares. Estos procesos pueden extraer información valiosa para fines de adaptación.

Desafíos y direcciones futuras

Existen desafíos particulares al abordar el cambio climático utilizando CV. Para analizar cada uno de ellos puede ser necesario un libro completo. Sin embargo, el objetivo aquí es modesto. Intentaré traerlos a la mesa como referencia.

• Complejidad de los datos: La necesidad y la complejidad inherente de utilizar muchas fuentes de datos. Por ejemplo, imágenes aéreas y satelitales, datos LIDAR y sensores terrestres. La fusión de datos es una técnica en evolución que intenta abordar este desafiante problema.
• Interpretabilidad del modelo: Un desafío actual es el desarrollo de modelos híbridos. Significa conciliar un modelo basado en datos estadísticos con uno físico. La interpretabilidad de los algoritmos CV aumenta al incorporar nuestro conocimiento del sistema climático. Por tanto, estos modelos destacan en el ajuste de funciones complejas. Pero también debería proporcionar una comprensión de las relaciones causales subyacentes.
• Muestras etiquetadas: La disponibilidad de muestras etiquetadas de alta calidad. Estas muestras deben ser específicas de problemas de EO para entrenar modelos CV. Generarlos es una tarea costosa y que requiere mucho tiempo. Abordar este desafío es un área activa de investigación.
• Ética: Es un desafío incorporar consideraciones éticas en el desarrollo de la IA. La privacidad, la equidad y la rendición de cuentas desempeñan un papel clave para garantizar la confianza de las partes interesadas. Considerar la justicia ambiental también es una buena estrategia en el contexto del cambio climático.

Resumen

El CV es una poderosa herramienta para abordar el cambio climático. Desde la detección de incendios forestales hasta el seguimiento de la formación de ciclones y el retroceso de los glaciares. CV está transformando la forma de monitorear, predecir y proyectar los impactos climáticos. El estudio de estos impactos se basa en técnicas CV. Por ejemplo, clasificación, detección de objetos y segmentación. Finalmente, surgen varios desafíos en la intersección entre CV y ​​cambio climático. Por ejemplo, gestionar múltiples fuentes de datos. Mejora de la interpretabilidad de los modelos de aprendizaje automático. Generación de muestras etiquetadas de alta calidad para entrenar modelos CV. E incorporando consideraciones éticas a la hora de diseñar un sistema de IA. Un artículo posterior presentará una guía para recopilar y seleccionar conjuntos de datos de imágenes. En particular, aquellos relevantes para el cambio climático.

Referencias

• Kumler-Bonfanti, C., Stewart, J., Hall, D. y Govett, M. (2020). Detección de ciclones tropicales y extratropicales mediante aprendizaje profundo. Revista de Meteorología y Climatología Aplicadas, 59(12), 1971–1985.
• Maslov, KA, Persello, C., Schellenberger, T. y Stein, A. (2024). Hacia el mapeo global de glaciares con aprendizaje profundo y datos abiertos de observación de la Tierra. preimpresión de arXiv arXiv:2401.15113.
• Moumgiakmas, SS, Samatas, GG y Papakostas, GA (2021). Visión por computadora para la detección de incendios en vehículos aéreos no tripulados: del software al hardware. Internet del futuro, 13(8), 200.
• Rolnick, D., Donti, PL, Kaack, LH, Kochanski, K., Lacoste, A., Sankaran, K.,… y Bengio, Y. (2022). Afrontar el cambio climático con aprendizaje automático. Encuestas de Computación ACM (CSUR), 55(2), 1–96.
• Tuia, D., Schindler, K., Demir, B., Camps-Valls, G., Zhu, XX, Kochupillai, M., … & Schneider, R. (2023). Inteligencia artificial para avanzar en la observación de la Tierra: una perspectiva. preimpresión de arXiv arXiv:2305.08413.