AI4Land: Aprendizado Profundo Escalável para Reconstrução Global do Uso do Solo em Alta Resolução

A incerteza no ciclo do carbono terrestre continua a ser um grande constrangimento nas projeções climáticas, em parte devido às incertezas que afetam a representação da superfície terrestre e a variabilidade nos modelos do sistema terrestre. Para resolver essa limitação crítica, apresentamos uma estrutura baseada em dados, denominada AI4Land, projetada para gerar reconstruções históricas de alta resolução e projeções futuras das principais variáveis da superfície terrestre. Este avanço é fundamental para aprimorar a precisão das simulações climáticas e para uma compreensão mais robusta dos processos que governam o nosso planeta.

A estrutura AI4Land segue uma abordagem de duas fases, empregando uma arquitetura U-Net para processamento de dados. Na primeira fase, que constitui o foco principal deste trabalho, o sistema reconstrói o uso e a cobertura anual da terra, integrando dados de cenários de baixa resolução com características geofísicas estáticas. Essa etapa é crucial para estabelecer uma base detalhada e historicamente consistente da superfície terrestre, permitindo análises mais aprofundadas sobre as mudanças e interações ambientais ao longo do tempo.

Em uma segunda fase planejada, os mapas de alta resolução resultantes da primeira etapa serão utilizados para prever variáveis biofísicas dinâmicas, com especial atenção ao índice de área foliar, em escalas temporais mais precisas. Treinados em extensos dados de observação da Terra, os modelos aprendem a reproduzir padrões de superfície terrestre que são espacialmente explícitos e fisicamente consistentes. Essa capacidade permite estender a cobertura temporal a períodos sem observações diretas, preenchendo lacunas de dados e fornecendo uma visão contínua da evolução da superfície terrestre.

O desenvolvimento e treinamento do AI4Land foram realizados no MareNostrum 5, um supercomputador de alto desempenho. Essa infraestrutura de Computação de Alto Desempenho (HPC), acelerada por Unidades de Processamento Gráfico (GPUs), demonstra como é possível viabilizar pipelines de Inteligência Artificial (IA) climática em escala global. A utilização de recursos computacionais avançados é essencial para processar a vasta quantidade de dados necessária e para executar os complexos algoritmos de aprendizado profundo que sustentam o AI4Land.

O produto final deste esforço é um conjunto de emuladores de código aberto, cuidadosamente projetados para acoplamento em tempo real com plataformas de gêmeos digitais. Exemplos dessas plataformas incluem aquelas desenvolvidas no âmbito da iniciativa Destination Earth, que buscam criar réplicas virtuais do nosso planeta para simulações avançadas. A interoperabilidade com essas plataformas é um diferencial, garantindo que os dados gerados pelo AI4Land possam ser prontamente integrados e utilizados por uma comunidade científica mais ampla.

Ao fornecer condições realistas e evolutivas da superfície terrestre sob demanda, este trabalho visa reduzir as incertezas críticas que atualmente afetam as projeções climáticas. Consequentemente, espera-se uma melhoria significativa no poder preditivo das simulações climáticas da próxima geração. A capacidade de oferecer dados de alta resolução e fisicamente consistentes é um passo fundamental para avançar na modelagem climática e para apoiar decisões informadas sobre as mudanças ambientais globais.