Climate Change AI se complace en anunciar los beneficiarios del programa de subvenciones a la innovación 2023. Ahora en su segundo año, esta iniciativa proporcionó 1,4 millones de dólares en financiación total en 2023 para apoyar proyectos en la intersección de la IA y el cambio climático.
La inteligencia artificial (IA) y el aprendizaje automático encierran un inmenso potencial para apoyar la acción por el clima en diversos sectores, como la energía, la agricultura, la silvicultura, la modelización del clima y la respuesta ante catástrofes. A pesar de este potencial, la falta de datos y de infraestructuras esenciales, así como la insuficiente transferencia de conocimientos entre los campos y sectores pertinentes, han obstaculizado a menudo la investigación y el despliegue. La relación entre la IA y el cambio climático es compleja y presenta tanto oportunidades como retos que deben afrontarse con responsabilidad para garantizar un impacto positivo y cuantificable.
El programa de Subvenciones a la Innovación en IA para el Cambio Climático está diseñado para abordar estos cuellos de botella, apoyando proyectos que aborden los retos de la investigación y el despliegue en la mitigación del cambio climático, la adaptación y la ciencia del clima mediante el aprovechamiento de la IA y el aprendizaje automático, creando al mismo tiempo conjuntos de datos y herramientas disponibles públicamente para catalizar nuevos trabajos. El programa asigna subvenciones de hasta 150.000 dólares para proyectos de un año de duración.
Para seleccionar la promoción de 2023, un comité internacional de expertos en IA y campos relacionados con el cambio climático revisó las propuestas procedentes de 47 países. Entre los galardonados figuran nueve proyectos destacados de 30 universidades, empresas, organizaciones sin ánimo de lucro, ONG y organizaciones gubernamentales de nueve países y cinco continentes, que reúnen a equipos interdisciplinarios para proyectos de gran impacto que afectan a muchos aspectos de la crisis climática.
El programa 2023 Innovation Grants es posible gracias al apoyo de Quadrature Climate Foundation, Google DeepMind y Global Methane Hub. Climate Change AI también agradece al Canada Hub de Future Earth por actuar como patrocinador fiscal de este programa.
Las propuestas financiadas se enumeran a continuación:
Inteligencia artificial para la gestión del agua en el delta del río Rojo para satisfacer la demanda de agua y controlar la intrusión salina en un clima cambiante
Institución principal: Università di Brescia
Miembros del equipo: Ivan Serina, Roberto Ranzi (Università di Brescia), Ngo Le An (Universidad Thuy Loi), Toan Trinh (Universidad de California Davis).
Este proyecto utiliza técnicas de IA para optimizar la gestión del agua en el delta del río Rojo, en Vietnam, donde una compleja red de presas cumple múltiples funciones, entre ellas la generación de energía hidroeléctrica, la regulación de inundaciones, el abastecimiento de agua a la agricultura y el control de la intrusión de agua marina. Los algoritmos de IA ofrecerán políticas de gestión óptimas para el funcionamiento de los embalses, centrándose en el suministro de agua para la agricultura y la producción de energía durante las temporadas de bajo caudal y teniendo en cuenta al mismo tiempo las limitaciones y las condiciones climáticas.
Frenar los patrones de tala ilegal mediante técnicas de detección basadas en el sonido
Institución principal: Universidad de Neuchâtel
Miembros del equipo: Delphine Clara Zemp (Université de Neuchâtel), Henry Muchiri (Strathmore University), Anthony Mwangi (Kenya Forestry Research Institute), Fengshou Gu (University of Huddersfield).
La tala ilegal en los bosques comunitarios de Kenia está contribuyendo al aumento de las emisiones de carbono y repercutiendo negativamente en los medios de vida de las comunidades locales. El objetivo de este proyecto es utilizar dispositivos IoT para detectar los sonidos de la tala, enviar alertas para su posterior investigación y realizar mediciones de las reservas de carbono para evaluar el impacto, promoviendo la gestión forestal basada en datos para mitigar el cambio climático y beneficiar a las comunidades locales.
Extracción de datos y elaboración de modelos a partir de la bibliografía sobre rasgos vegetales
Institución principal: Universidad de Glasgow
Miembros del equipo: Richard Reeve, Christina Cobbold (Universidad de Glasgow), Neil Brummitt, Ana Claudia Araujo, Ben Scott (Museo de Historia Natural de Londres), Claire Harris, Glenn Marion (Biomathematics and Statistics Scotland).
El objetivo del proyecto es crear una base de datos mundial exhaustiva de rasgos vegetales relacionados con el clima y el hábitat, utilizando técnicas de visión por ordenador y procesamiento del lenguaje natural para procesar datos procedentes de colecciones de historia natural y bibliografía sobre ecología. Esta base de datos proporcionará información esencial para mejorar los modelos globales de biodiversidad-clima, contribuyendo a su vez a los esfuerzos políticos por preservar la biodiversidad ante el cambio de las condiciones climáticas.
Desarrollo de herramientas de aprendizaje automático para evaluar con rapidez el impacto catastrófico de un erizo de mar que amplía su área de distribución en un punto caliente de calentamiento global
Institución principal: Universidad de Auckland
Miembros del equipo: Arie Spyksma, Kelsey Miller, Katerina Taskova (Universidad de Auckland), John Keane, Nicholas Perkins (Universidad de Tasmania), Ariell Friedman (Greybits Engineering).
En Australia y Nueva Zelanda, el aumento de la población de erizos de mar inducido por el clima supone una amenaza importante para los arrecifes dominados por algas. Para hacer frente a esta amenaza, este proyecto tiene como objetivo desarrollar el aprendizaje automático para analizar rápidamente imágenes submarinas con el fin de evaluar la expansión de los erizos de mar y el declive de las algas, proporcionando datos esenciales para la gestión proactiva de los ecosistemas.
EMPIRIC_AI: Proyecciones conjuntas basadas en IA del riesgo de ciclones para las infraestructuras sanitarias de los países y territorios insulares del Pacífico
Institución principal: Universidad de Auckland
Miembros del equipo: Christopher Horvat, Michelle McCrystall (Universidad de Auckland), Berlin Kafoa (Comunidad del Pacífico), Elizabeth McLeod (Organización Mundial de la Salud), Craig McClain (Facultad de Medicina de Harvard).
Las comunidades de los países y territorios insulares del Pacífico (PICT) se enfrentan a importantes repercusiones del cambio climático y se prevé que sus infraestructuras sanitarias se vean sometidas a una presión extrema en las próximas décadas. Este proyecto desarrollará modelos climáticos de alta resolución y proyecciones de riesgo de ciclones específicas para las infraestructuras sanitarias de los PICT. Este trabajo proporcionará a los responsables de la toma de decisiones y al público acceso a nuevos conjuntos de datos y herramientas con proyecciones específicas de alta resolución sobre riesgos futuros y planificación para apoyar la resiliencia sanitaria de las comunidades de primera línea.
Justicia y adaptación a las inundaciones en el Valle del Río Grande de Texas con IA e imágenes de satélite
Institución principal: Universidad de Arizona
Miembros del equipo: Beth Tellman, Lucas Belury, Zhijie Zhang (Universidad de Arizona), Ana Laurel (Texas RioGrande Legal Aid).
Se espera que el cambio climático aumente el riesgo de inundaciones en el Valle del Río Grande de Texas, además de exacerbar las desigualdades en la exposición a las inundaciones, que afectan de manera desproporcionada a las comunidades de color. Sin embargo, la insuficiencia de datos sobre el riesgo de inundaciones dificulta los esfuerzos de adaptación. Este proyecto planea utilizar el aprendizaje automático y las imágenes por satélite para crear mapas de inundaciones de alta calidad y una base de datos de inundaciones para el Valle del Río Grande con el fin de apoyar las demandas de justicia por inundaciones y promover la adaptación equitativa a las inundaciones.
De observar la energía a mejorarla: Localización de pérdidas en la red de distribución a través de la topología
Institución principal: Universidad de Washington
Miembros del equipo: June Lukuyu (Universidad de Washington), Genevieve Flaspohler, Mohini Bariya, Joshua Adkins, Kwame Abrokwah, Noah Klugman (nLine Inc.).
Satisfacer la demanda energética de los países de renta baja y media (PRMB) y hacer frente al cambio climático exige redes eléctricas más eficientes. El proyecto, con sede en Ghana, busca una solución rentable que incluye la detección de la tensión en las conexiones de los clientes y algoritmos de aprendizaje automático para detectar y localizar las pérdidas en la red de distribución, sobre todo en las redes de baja tensión, donde se producen la mayoría de los problemas.
Gestión del agua del arroz y emisiones de metano en Ghana
Institución principal: MIT
Miembros del equipo: Sherrie Wang, Yuhao Nie (MIT), Soren Vines, Freddie Monk (Aya Data), Benjamin Adevu, William Hunt (Demeter Ghana).
El cultivo del arroz, aunque esencial para la agricultura, conlleva emisiones de metano que suelen estar mal cuantificadas en los análisis climáticos globales. Este proyecto pretende comprender y cuantificar mejor las emisiones de metano procedentes del cultivo de arroz, especialmente en Ghana, utilizando imágenes por satélite y aprendizaje automático junto con estudios de campo para cartografiar las inundaciones de arroz, un factor clave que influye en la generación de metano.
Desafío CityLearn 2023
Institución principal: UT Austin
Miembros del equipo: Zoltan Nagy, Javad Mohammadi (UT Austin).
Reducir el consumo de energía y las emisiones de los edificios es crucial, dado que los edificios contribuyen al 30% de las emisiones de gases de efecto invernadero. Este proyecto desarrolla un modelo representativo del uso de la energía en los barrios y ejecuta una novedosa edición del Desafío CityLearn, que pone a prueba la capacidad de los agentes de control avanzados para responder a la demanda y reducir las emisiones de carbono a nivel de barrio. El modelo pretende reducir el uso de energía y/o cambiar las operaciones a electricidad de bajas emisiones.
(Climate Change AI)
