AI Prediksi Titik Kritis Iklim Dua Tahun Lebih Awal

Model AI RNO memprediksi hilangnya awan stratokumulus lebih dari dua tahun sebelum titik kritis dalam simulasi. Namun, kemampuannya meramalkan kejadian nyata masih perlu diuji.

ai-prediksi-titik-kritis-iklim-dua-tahun-lebih-awal

Model kecerdasan buatan yang dikembangkan peneliti dari California Institute of Technology (Caltech), University of Colorado Boulder, dan NVIDIA mampu memprediksi titik kritis perubahan iklim dalam simulasi lebih dari dua tahun sebelum terjadi. Prediksi hilangnya awan laut itu meleset sekitar 11 hari dari waktu kejadian sebenarnya.

Model bernama recurrent neural operator (RNO) tersebut dirancang untuk mempelajari perubahan perilaku sistem fisik dari waktu ke waktu. Peneliti mengujinya pada simulasi awan stratokumulus, jenis awan rendah di atas laut yang memantulkan sinar matahari dan membantu mendinginkan Bumi.

Istilah “kiamat” dalam pemberitaan ini merujuk pada potensi perubahan drastis pada sistem alam, bukan prediksi bahwa dunia akan berakhir. Hasil penelitian menunjukkan peluang penggunaan AI untuk mengenali tanda-tanda menuju titik kritis. Namun, pengujian yang dilaporkan masih dilakukan melalui simulasi, sehingga kemampuan model untuk meramalkan kejadian nyata masih perlu dikaji lebih lanjut.

AI mendeteksi perubahan perilaku sistem

Tipping point atau titik kritis adalah ambang ketika suatu sistem berubah secara drastis, dan perubahan itu sulit atau bahkan tidak mungkin dikembalikan ke keadaan semula. Dalam konteks iklim, titik kritis dapat berupa hilangnya awan laut secara tiba-tiba, runtuhnya sirkulasi laut, maupun ketidakstabilan lapisan es di kutub.

RNO mempelajari bagaimana sebuah sistem berubah, lalu memperkirakan kapan perilakunya akan bergeser secara mendasar. Dalam pengujian awan stratokumulus, model berhasil memberikan peringatan lebih dari dua tahun sebelum awan tersebut diperkirakan menghilang. Selisih antara prediksi AI dan waktu kejadian dalam simulasi sekitar 11 hari.

Ketepatan waktu itu menjadi aspek penting dari hasil uji tersebut. Sistem yang mampu memperkirakan perubahan jauh sebelum ambang tercapai berpotensi memberi ilmuwan waktu lebih panjang untuk memahami proses yang sedang berlangsung. Meski demikian, angka dua tahun dan selisih 11 hari itu berasal dari skenario simulasi, bukan pengamatan bahwa peristiwa serupa sudah terjadi di atmosfer.

Hilangnya awan dapat mempercepat pemanasan

Awan stratokumulus berada di atas laut dan berperan memantulkan sebagian sinar matahari. Dalam simulasi yang digunakan peneliti, awan ini dapat lenyap secara mendadak ketika konsentrasi karbon dioksida (CO2) melewati ambang tertentu.

Jika awan yang membantu mendinginkan Bumi itu menghilang, pemanasan global dapat berlangsung lebih cepat. Karena itu, kemampuan mengenali tanda-tanda menuju perubahan tersebut menjadi salah satu hal yang ingin diuji lewat model RNO. Penelitian tidak menyatakan bahwa hilangnya awan itu telah terjadi; yang diprediksi adalah titik perubahan dalam simulasi.

Perbedaan itu penting untuk membaca hasilnya secara tepat. Prediksi yang akurat dalam model komputer belum dengan sendirinya membuktikan bahwa AI dapat meramalkan waktu terjadinya tipping point di dunia nyata. Sistem iklim melibatkan perubahan kompleks, sementara laporan penelitian yang tersedia menekankan bahwa kemampuan RNO masih memerlukan kajian lanjutan.

RNO juga diuji pada sayap pesawat

Pengujian RNO tidak terbatas pada fenomena iklim. Peneliti juga menggunakannya untuk memperkirakan aerodynamic stall, yakni kondisi ketika sayap pesawat mengalami perubahan aliran udara yang berdampak pada kemampuan menghasilkan gaya angkat. Uji ini menunjukkan potensi model untuk mengenali perubahan drastis pada sistem kompleks lain.

Jane Bae, salah satu penulis penelitian dari Caltech, mengatakan model dapat mengenali saat hukum fisika yang telah dipelajarinya tidak lagi cukup untuk menjelaskan kondisi sistem yang sedang berlangsung. “Kemampuan untuk mengantisipasi perubahan kualitatif ini sebelum terjadi dapat sangat berguna untuk prediksi dan desain aerodinamika,” kata Bae, dikutip dari laman Earth.

Gagasan tersebut memperlihatkan bahwa RNO diarahkan untuk membaca perubahan perilaku, bukan sekadar mengulang pola yang sudah dikenal. Namun, contoh pengujian pada awan dan aerodinamika belum menjawab seberapa andal pendekatan ini ketika diterapkan pada kejadian nyata. Untuk saat ini, hasilnya lebih tepat dipandang sebagai indikasi potensi, bukan alat yang sudah terbukti memberikan peringatan iklim secara operasional.

Penelitian ini membuka kemungkinan penggunaan AI untuk membantu ilmuwan memantau sistem yang bisa berubah tajam setelah melewati ambang tertentu. Langkah berikutnya adalah menguji lebih jauh apakah kemampuan yang terlihat dalam simulasi juga dapat diandalkan di luar simulasi. Dengan begitu, klaim prediksi titik kritis dapat dinilai berdasarkan bukti yang sesuai dengan kondisi sebenarnya.

Pantaunusantara