PENELITI mengembangkan sistem menggunakan kecerdasan buatan (AI) yang mampu memprediksi titik kritis perubahan iklim lebih dari dua tahun sebelum terjadi dalam simulasi, dengan selisih prediksi sekitar 11 hari. Temuan ini membuka peluang pengembangan sistem peringatan dini untuk mengantisipasi perubahan lingkungan yang berpotensi sulit atau pun tidak dapat dipulihkan.
Dilansir dari Earth.com, penelitian tersebut dilakukan oleh tim dari California Institute of Technology (Caltech), University of Colorado Boulder, dan perusahaan teknologi NVIDIA. Hasil penelitian nya dipublikasikan dalam jurnal Proceedings of the National Academy of Sciences (PNAS).
Apa Itu Titik Kritis Perubahan Iklim?
Titik kritis atau tipping point merupakan ambang ketika suatu sistem mengalami perubahan besar secara mendadak dan berpotensi sulit dikembalikan ke kondisi semula. Dalam sistem iklim, perubahan tersebut dapat memengaruhi keseimbangan lingkungan dan memperburuk pemanasan global.
Contoh perubahan yang berpotensi mencapai titik kritis yaitu meliputi ketidakstabilan lapisan es kutub, perubahan sirkulasi laut, sampai hilangnya awan rendah di atas lautan. Perubahan pada sistem tersebut dapat memicu dampak lanjutan yang akan sulit dipulihkan setelah ambang tertentu terlewati.
Salah satu skenario yang diuji oleh peneliti berkaitan dengan awan stratokumulus, yaitu awan rendah yang menutupi wilayah lautan dalam area luas. Awan ini membantu mendinginkan Bumi dengan cara memantulkan sebagian sinar Matahari kembali ke angkasa.
Dalam skenario model iklim yang digunakan, peningkatan konsentrasi karbon dioksida (CO?) hingga ambang tertentu dapat menyebabkan awan tersebut menghilang secara drastis. Jika perubahan itu terjadi, lebih banyak energi Matahari akan diserap oleh sistem Bumi sehingga pemanasan global berpotensi semakin kuat.
Cara Kerja AI Memprediksi Titik Kritis
Untuk memperkirakan kapan perubahan drastis terjadi, peneliti menggunakan metode kecerdasan buatan bernama recurrent neural operator (RNO). Sistem ini dirancang untuk mempelajari perubahan pada proses fisik yang kompleks sekaligus melacak bagaimana perilakunya berkembang dari waktu ke waktu.
Berbeda dari pendekatan pembelajaran mesin yang mengasumsikan pola sebelumnya tetap berlaku, RNO memiliki mekanisme memori untuk mengikuti perubahan dinamika sistem. Dengan demikian, model dapat mengenali ketika perilaku suatu sistem mulai menyimpang dari pola yang sebelumnya dipelajari.
Peneliti melatih AI menggunakan data simulasi dari kondisi sebelum titik kritis tercapai. Sistem kemudian memantau perubahan pola dan menggunakan prinsip fisika untuk memperkirakan kapan transisi besar kemungkinan terjadi.
Menurut peneliti utama Anima Anandkumar dari Caltech, pendekatan tersebut membantu sistem mengenali perubahan yang tidak lagi sesuai dengan perilaku fisik yang sebelumnya dipelajari. Hal ini dapat menjadi petunjuk bahwa suatu sistem sedang mendekati titik kritis.
Prediksi Dua Tahun Lebih Awal dalam Simulasi
Dalam pengujian terhadap model iklim awan stratokumulus, RNO mampu memperkirakan waktu hilangnya awan lebih dari dua tahun sebelum transisi tersebut terjadi dalam simulasi. Prediksi AI memiliki selisih sekitar 11 hari dari waktu terjadinya perubahan yang dihitung oleh model.
Hasil tersebut menunjukkan potensi AI untuk memberikan peringatan lebih awal mengenai perubahan drastis pada sistem yang kompleks. Meski demikian, pengujian itu dilakukan menggunakan data simulasi, bukan pengamatan yang membuktikan bahwa AI telah mampu memprediksi waktu titik kritis iklim Bumi secara langsung.
Selain model iklim, tim peneliti menguji RNO pada simulasi aliran udara di sekitar sayap pesawat. Dalam aerodinamika, perubahan sudut sayap dapat menyebabkan aliran udara terlepas dari permukaannya sehingga gaya angkat pesawat menurun secara tajam.
Pengujian tersebut menunjukkan bahwa metode yang sama berpotensi digunakan untuk memprediksi transisi mendadak dalam sistem fisik lain. Peneliti menilai pendekatan ini dapat dikembangkan lebih lanjut untuk mendukung penelitian iklim, ekologi, epidemiologi, serta desain penerbangan. (H-4)