Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4o | Llama 3:

Resumen:

1.- Los sistemas de alerta temprana son limitados en el Sur global en comparación con el mundo desarrollado, como EE.UU. Se necesita más trabajo.

2.- El Secretario General de la ONU, Guterres, mandó a la comunidad a desarrollar mejores sistemas de alerta tras eventos climáticos extremos recientes.

3.- Los modelos climáticos globales a escala de kilómetro ahora pueden resolver características que provocan eventos de inundación, lo que antes no era posible.

4.- Se necesita una combinación de avances en modelos físicos, sustitutos de IA y observaciones de manera significativa para los pronósticos y sistemas de alerta futuros.

5.- Facilitar discusiones entre diferentes sectores, como academia e industria, para aprender unos de otros y desarrollar nuevas colaboraciones es importante.

6.- Los modelos de pronóstico del tiempo de IA como ForeCast-Net y PangU-Weather están alcanzando o superando la habilidad de los modelos tradicionales de predicción numérica del tiempo.

7.- Quedan desafíos para los modelos de IA del tiempo, como restricciones físicas, incertidumbre y construir confianza. ECMWF está desarrollando su propio modelo de IA.

8.- La IA puede ayudar con muchos aspectos de la observación de la Tierra, como detección de nubes, fusión de datos óptico-radar, mejora de resolución y predicción.

9.- La IA a bordo en satélites permite la observación de la Tierra en tiempo real y reprogramable. La comunicación entre satélites permite que un satélite observador active una observación enfocada desde otro.

10.- ESA está trabajando para hacer la IA y la observación de la Tierra más accesibles a través de desafíos y código abierto. Encontrar expertos es un desafío.

11.- La IA puede ayudar en la adaptación climática y la resiliencia mediante el monitoreo casi en tiempo real de inundaciones, incendios, huracanes y mejorando la predicción a corto y largo plazo.

12.- Las predicciones climáticas estacionales y multianuales tienen muy baja confianza. Las técnicas de aprendizaje automático muestran potencial de mejora, pero se necesita más trabajo.

13.- Mejorar la representación de procesos físicos clave como nubes y vegetación en modelos climáticos usando IA y simulaciones de alta resolución es prometedor.

14.- El post-procesamiento de proyecciones de modelos climáticos con IA proporciona mejores detalles regionales y estimaciones de incertidumbre en comparación con los conjuntos de modelos climáticos en bruto.

15.- Quedan vacíos en la IA para la adaptación climática en escalas estacionales a multianuales, índices de riesgo empíricos y capacitación de personas tanto en IA como en clima.

16.- La comunicación visual del riesgo, como imágenes fotorrealistas de futuras inundaciones o cambios en el paisaje, puede ser más efectiva que los números solos.

17.- La IA debe integrarse a lo largo de toda la cadena de alerta temprana, desde la observación hasta la toma de decisiones, con énfasis en la comunicación.

18.- El Programa Mundial de Alimentos utiliza encuestas telefónicas en tiempo real y modelos de aprendizaje automático para la alerta temprana de seguridad alimentaria, ahora-casting y pronósticos.

19.- El HungerMap del PMA proporciona monitoreo de seguridad alimentaria casi en tiempo real en más de 90 países al integrar diversas fuentes de datos.

20.- El PMA utiliza modelos XGBoost para estimar la seguridad alimentaria en países sin datos en tiempo real y redes neuronales recurrentes para pronósticos de 30-90 días.

21.- Los datos de entrada para los modelos del PMA incluyen fatalidades por conflictos, precios de mercado, indicadores económicos, precipitaciones, NDVI. Ampliar las fuentes de datos es un esfuerzo continuo.

22.- Adaptar las salidas de los modelos a las necesidades del usuario final, como el cambio categórico en lugar de números precisos, es importante para la adopción y usabilidad.

23.- Las colaboraciones con oficinas de país e investigadores externos son valiosas para que el PMA obtenga retroalimentación, mejore los modelos y desarrolle capacidades.

24.- El desplazamiento interno por desastres es un problema global. IDMC mantiene la base de datos más completa del mundo sobre desplazamiento interno.

25.- Los datos de IDMC provienen de gobiernos, ONU, ONG y monitoreo de noticias. Se limpian, armonizan y validan en conjuntos de datos anuales y actualizaciones en tiempo real.

26.- Los desafíos para los datos de desplazamiento interno incluyen variaciones en las metodologías de recopilación, cobertura, continuidad, accesibilidad. IDMC está trabajando para mejorar estos problemas.

27.- Los datos de IDMC se han utilizado con pronósticos meteorológicos para anticipar desplazamientos por ciclones tropicales y en modelos de aprendizaje automático.

28.- Las mejoras planificadas para los datos de IDMC incluyen estandarización, interoperabilidad con conjuntos de datos de peligros, desagregación, verificaciones de calidad automatizadas y metadatos mejorados.

29.- Las técnicas de IA explicable como los valores SHAP revelan efectos compuestos de la precipitación, la riqueza y otros factores en el riesgo de desplazamiento por desastres a nivel mundial.

30.- En Somalia, el descubrimiento causal sugiere interacciones complejas entre sequía, precios del agua, precios de los alimentos y desplazamiento en diferentes retrasos temporales.

31.- Los pronósticos de modelos causales de desplazamiento por sequía funcionan de manera similar a las líneas base no causales, pero usan menos características, lo que potencialmente permite una alerta más temprana.

32.- Se necesita más trabajo para validar gráficos causales de desplazamiento e incluir más variables como remesas y factores a nivel micro.

33.- Los modelos de aprendizaje profundo entrenados en datos meteorológicos y de vegetación pueden predecir los impactos de la sequía en la vegetación a alta resolución con meses de anticipación.

34.- La habilidad predictiva disminuye con horizontes de pronóstico más largos, pero aún supera a las líneas base. Más variables como la humedad del suelo podrían mejorar aún más el rendimiento.

35.- Las predicciones globales en cuadrícula de anomalías de NDVI de los modelos capturan bien los patrones espaciales del impacto de la sequía, con cierta incertidumbre.

36.- Las aplicaciones potenciales incluyen acciones anticipatorias como la distribución de semillas antes de una sequía. Escalar a nuevas regiones requiere reentrenamiento en datos locales.

37.- Los próximos pasos son estudiar extremos compuestos, mejorar la habilidad de pronóstico temporal, involucrar a las partes interesadas y hacer que los datos y el código estén disponibles abiertamente.

38.- Los modelos tradicionales de peligro de incendio consideran el clima, pero no las diferencias en la vegetación, el uso del suelo o la actividad humana. El aprendizaje automático puede ayudar.

39.- Los modelos de ML se entrenan con datos satelitales históricos de clima de incendios, superficie terrestre, vegetación y factores humanos para predecir grandes incendios.

40.- Los modelos de ML temporales y espaciotemporales tienen el mejor rendimiento, superando a los índices tradicionales de clima de incendios y enfoques de ML más simples.

41.- Interpretar los modelos de ML revela relaciones sensatas entre variables como temperatura, humedad, NDVI y probabilidad de incendio que generan confianza.

42.- Aplicado en Grecia de manera operativa, los mapas de peligro de incendio de alta resolución de ML proporcionaron información más procesable en comparación con mapas regionales más gruesos.

43.- La expansión a un modelo de ML para toda la región mediterránea está en progreso. El conjunto de datos más grande permitirá predecir la propagación de incendios y extremos.

44.- La predicción de incendios subestacional y estacional se basa en anomalías climáticas de modelos numéricos, pero la habilidad es limitada más allá de unas pocas semanas.

45.- Tratar la predicción de incendios a largo plazo como un problema de segmentación con aprendizaje profundo muestra promesa, capturando patrones espaciales con meses de anticipación.

46.- Sin embargo, el enfoque de segmentación no considera las teleconexiones globales y los efectos de memoria importantes para el clima de incendios y las oscilaciones climáticas.

47.- Los transformadores que utilizan datos de oscilación climática global y convoluciones espaciales multiescala mejoran aún más la predicción de incendios a largo plazo en comparación con los predictores solo locales.

48.- Los próximos pasos son mejorar la evaluación, interpretar los modelos, desentrañar los modos climáticos de las tendencias y avanzar más allá del área quemada hacia las emisiones y la gravedad.

49.- La detección de anomalías identifica patrones o eventos raros en los datos, con aplicaciones en dominios como clima, salud, ecología, ciberseguridad, etc.

50.- Los desafíos clave incluyen manejar datos de alta dimensión, incertidumbre, aprendizaje en línea, deriva de concepto e incorporar conocimiento del dominio como restricciones físicas.

51.- Las técnicas exitosas demostradas incluyen: autoencoders y procesos gaussianos para detección de anomalías no supervisada y aprendizaje activo para mejorar con el tiempo.

52.- Los detectores de anomalías espaciotemporales como el método de Intervalo Máximamente Divergente pueden identificar patrones climáticos anómalos y extremos en datos climáticos.

53.- El descubrimiento e inferencia causal es importante para la atribución de anomalías y la mejora de pronósticos al identificar relaciones físicas gobernantes.

54.- La causalidad de Granger en modelos autorregresivos vectoriales revela cambios en el flujo de información entre variables climáticas durante anomalías como olas de calor.

55.- Los knockoffs y la regularización causal en redes neuronales proporcionan un descubrimiento causal más robusto que los métodos tradicionales como el algoritmo PC en pruebas iniciales.

56.- Predecir anomalías sigue siendo muy desafiante debido a su rareza, no estacionariedad y alta dimensionalidad. Se discutieron algunas direcciones prometedoras.

57.- Estas incluyen: pronóstico causal, aprendizaje continuo, aprendizaje automático guiado por la física, cuantificación de incertidumbre, humano en el bucle y seguimiento del cambio de distribución.

58.- Involucrar a diversas partes interesadas, considerar el impacto social y la responsabilidad, crear incentivos y adaptarse a los datos cambiantes son clave para las aplicaciones de IA.

59.- La participación de las partes interesadas a lo largo del proceso de desarrollo y despliegue de IA es crítica para construir sistemas útiles, confiables y éticos en dominios de alto impacto.

60.- La combinación de IA, física, conocimiento humano y sistemas de aprendizaje es un gran desafío y oportunidad por delante para la sostenibilidad y la acción climática.

Bóveda de Conocimiento construida porDavid Vivancos 2024