Empresas Premium
Los derrames de petróleo pueden estar entre los desastres ambientales más devastadores, con el potencial de dañar gravemente los ecosistemas marinos, perturbar las comunidades costeras e imponer daños económicos duraderos.
Los modelos numéricos tradicionales, como MEDSLIK-II, simulan el movimiento y la transformación de partículas de petróleo en el agua de mar, pero su precisión se ha visto limitada por la dependencia del juicio de expertos para ajustar parámetros físicos críticos. Este proceso de calibración manual, aunque se basa en la experiencia, no siempre es capaz de capturar la complejidad y variabilidad de las condiciones oceánicas y atmosféricas del mundo real.
El nuevo estudio, publicado en la revista Ecological Informatics, "Mejora de las simulaciones de trayectoria de mareas negras con optimización bayesiana", aborda este desafío mediante la introducción de la optimización bayesiana, una técnica de inteligencia artificial (IA) que aprende automáticamente de las observaciones satelitales para ajustar los parámetros físicos del modelo. Un enfoque híbrido que es capaz de combinar la fiabilidad de la modelización basada en la física con la eficiencia y adaptabilidad de la IA.
"Este trabajo representa un importante paso adelante en la reducción de la brecha entre el modelado numérico tradicional de los océanos y las metodologías de IA, demostrando que las soluciones híbridas pueden aprovechar eficazmente las fortalezas de ambos mundos", explica el investigador de CMCC y la Universidad de Columbia, y autor principal del estudio,Gabriele Accarino. "Al acoplar el marco de optimización bayesiano con el modelo de derrame de petróleo MEDSLIK-II de la comunidad ampliamente utilizado y las observaciones basadas en satélites, hemos introducido un prototipo para los sistemas de pronóstico operativo de próxima generación".
"Los derrames de petróleo tienen graves impactos en los ecosistemas y las actividades humanas, y predecir su evolución es crucial para intervenciones efectivas", señala el investigador del CMCC y coautor del estudioMarco De Carlo. "Los modelos numéricos tradicionales son útiles, pero se basan en parámetros elegidos manualmente, lo que puede introducir incertidumbre. En lugar de reemplazar la física, nuestro enfoque híbrido la complementa, mejorando el realismo y la confiabilidad de las simulaciones, y funcionando bien incluso con datos escasos".
La eficacia del enfoque híbrido fue validada por el equipo de investigación, utilizando el incidente del derrame de petróleo de Baniyas en 2021 en Siria, donde más de 12.000 metros cúbicos de petróleo entraron en el mar Mediterráneo. Los resultados obtenidos en esta aplicación demostraron mejoras notables en la precisión de la predicción: la precisión espacial aumentó hasta en un 20% en las observaciones satelitales coincidentes de la forma y propagación de la marea negra; el seguimiento de la posición mejoró hasta en un 25% en comparación con las predicciones del modelo estándar; y la puntuación general de habilidad (quecompara las distribuciones espaciales del derrame de petróleo con una verdad sobre el terreno, como las observaciones satelitales) mejoró del 7,97% al 20,66% en promedio en comparación con las simulaciones de control.
Estas mejoras fueron consistentes en múltiples pasos de tiempo, particularmente durante los períodos de mayor variabilidad de la deriva, lo que demuestra la efectividad del método en condiciones ambientales dinámicas. Esto conlleva importantes beneficios para los servicios de respuesta a emergencias durante los incidentes de derrames de petróleo, ya que los pronósticos de trayectoria más precisos permiten a las autoridades desplegar esfuerzos de respuesta de manera más efectiva, evitando potencialmente más daños a los ecosistemas marinos.
Otra ventaja importante es que el modelo de aprendizaje automático entrenado ayuda a acelerar el modelo numérico al calibrar eficientemente sus parámetros, lo que permite análisis y pruebas de escenarios más rápidos.
"También puede actualizarse en tiempo real a medida que llegan nuevas observaciones, y el marco es transferible y reubicable, lo que permite aplicarlo a diferentes áreas geográficas u otros contextos, como el modelado atmosférico u oceánico", continúa De Carlo. "Esto lo convierte no solo en una herramienta de investigación, sino también en una solución práctica para usos operativos, que respalda la toma de decisiones rápidas durante emergencias ambientales".
"Como oceanógrafo especializado en simulaciones de contaminación marina, sé que la experiencia del modelador es crucial para la representación exitosa de eventos como fugas de derrames de petróleo", dice el investigador del CMCC y coautor del estudio Igor Ruiz Atake. "Cuanto más se sepa sobre el área de interés y la herramienta de simulación, mejores serán los resultados. Nuestro equipo interdisciplinario en CMCC ha desarrollado este nuevo enfoque que busca automáticamente los parámetros de ajuste óptimos del modelo de derrame de petróleo.
Los resultados que obtuvimos aún deben probarse en otros eventos de derrames reales. Sin embargo, a partir de nuestros hallazgos, esperamos que ahorre tiempo que los expertos puedan usar para obtener una comprensión más profunda del evento en su conjunto, en lugar de dedicar tiempo a los tecnicismos del problema. En emergencias marinas, el tiempo es esencial. "
Este marco innovador también ofrece un potencial significativo para la adaptación en otros sistemas de pronóstico ambiental que enfrentan desafíos similares de incertidumbre y observaciones limitadas. Por ejemplo, el enfoque también podría aplicarse en modelos de circulación atmosférica y oceánica general, reduciendo potencialmente los sesgos de modelado de larga data y mejorando la representación de procesos físicos a pequeña escala.
"En este sentido, el estudio no solo introduce una contribución técnica novedosa, sino que también apunta hacia un cambio de paradigma en el pronóstico ambiental, donde la IA basada en la física se convierte en una piedra angular de las estrategias de gestión de riesgos operativos y resiliencia climática", dice Accarino.
A medida que el cambio climático continúa alterando las condiciones oceánicas y atmosféricas, los enfoques innovadores como este sistema de modelado mejorado por IA se vuelven cada vez más cruciales para proteger los entornos marinos y las comunidades costeras de los desastres ambientales.
Los hallazgos del estudio demuestran que la integración de la inteligencia artificial con el modelado ambiental tradicional puede ofrecer mejoras prácticas que benefician tanto la comprensión científica como las capacidades de respuesta a emergencias del mundo real.
Las simulaciones utilizadas en el estudio se realizaron con el Clúster Híbrido JUNO de CMCC, una de las instalaciones informáticas más avanzadas de Europa para la investigación climática y ambiental. Los investigadores de CMCC lideraron el diseño del flujo de trabajo de optimización, integraron los componentes de aprendizaje automático y validaron los resultados con datos satelitales.
|
