Kecerdasan artifisial (AI) berpotensi memperkirakan datangnya titik kritis perubahan iklim lebih dari dua tahun sebelum fenomena itu terjadi. Dalam pengujian berbasis simulasi, pendekatan baru yang dikembangkan peneliti dari California Institute of Technology (Caltech), University of Colorado Boulder (CU Boulder), dan NVIDIA mampu memprediksi waktu hilangnya tutupan awan rendah dengan selisih sekitar 11 hari dari waktu kejadian dalam model.
Temuan yang dipublikasikan di jurnal Proceedings of the National Academy of Sciences (PNAS) ini menawarkan peluang baru untuk mengenali perubahan besar pada sistem lingkungan sebelum dampaknya sulit dibendung. Namun, hasil tersebut belum menjadi alat peringatan yang siap digunakan: kemampuannya masih perlu diuji menggunakan pengamatan nyata.
Mengenali ambang perubahan pada sistem iklim
Titik kritis atau tipping point terjadi ketika suatu sistem melewati ambang tertentu lalu berubah secara mendasar. Setelah perubahan berlangsung, sistem dapat kehilangan kemampuan untuk kembali ke keadaan semula. Dalam konteks iklim, salah satu contohnya adalah pencairan lapisan es yang sulit dipulihkan.
Risiko titik kritis menjadi perhatian karena pemanasan global dapat mendorong berbagai komponen lingkungan melampaui batas kestabilannya. Perubahan yang semula berjalan perlahan bisa berujung pada peralihan yang besar, dengan dampak yang tidak mudah dikembalikan ke kondisi awal.
Selama ini, AI telah digunakan untuk membantu memprediksi cuaca harian dan fenomena ekstrem. Memperkirakan kapan suatu sistem iklim mencapai titik kritis jauh lebih rumit. Salah satu tantangannya, perubahan iklim dapat menggeser kondisi dasar sistem bumi, sehingga pola masa lalu tidak selalu cukup untuk membaca apa yang akan terjadi.
Model AI menguji skenario hilangnya awan
Tim peneliti menggunakan pendekatan bernama recurrent neural operator (RNO). Metode ini dikembangkan untuk memperkirakan waktu terjadinya titik kritis melalui model-model sederhana. Para peneliti mengujinya pada model iklim dan model turbulensi udara di sayap pesawat—dua sistem yang sebelumnya dinilai sulit diprediksi dengan pendekatan tersebut.
Salah satu skenario yang diuji adalah kemungkinan hilangnya awan rendah di atas lautan ketika konsentrasi karbon dioksida di atmosfer meningkat. Para peneliti melatih dan menguji program AI dengan data simulasi untuk memperkirakan kapan sistem awan melewati ambang perubahan.
Dalam simulasi itu, AI dapat memberikan perkiraan lebih dari dua tahun sebelum titik kritis diprediksi terjadi. Waktu yang diperkirakan model berbeda sekitar 11 hari dari waktu terjadinya fenomena pada simulasi. Angka ini menunjukkan kemampuan metode tersebut dalam pengujian, bukan jaminan bahwa prediksinya akan memiliki ketepatan yang sama di dunia nyata.
Hilangnya awan rendah penting diperhatikan karena awan jenis ini umumnya memantulkan sebagian radiasi matahari kembali ke angkasa. Jika tutupan tersebut berkurang, lebih banyak energi matahari dapat diserap permukaan bumi dan mendorong kenaikan suhu. Dengan demikian, perubahan pada awan berpotensi memperkuat pemanasan yang memicunya.
Perlu pengujian dengan pengamatan nyata
Profesor ilmu komputer dan matematika Caltech, Anima Anandkumar, menjelaskan bahwa titik kritis menandai keadaan ketika sistem menjadi tidak stabil dan tidak lagi mudah kembali ke kondisi semula. Karena konsekuensinya dapat berat, kemampuan memperkirakan waktu peralihan menjadi langkah penting dalam upaya memahami risiko lingkungan.
Penelitian Anandkumar dan rekan-rekannya juga dikutip dalam laporan terbaru Perserikatan Bangsa-Bangsa mengenai titik kritis perubahan iklim. Para peneliti menilai pendekatan ini berpotensi diterapkan lebih luas, termasuk dalam ilmu iklim, ekologi, epidemiologi, dan perancangan pesawat. Potensi itu masih bergantung pada pengujian lanjutan untuk mengetahui apakah model dapat bekerja pada sistem yang diamati langsung.
Karena itu, hasil penelitian ini lebih tepat dibaca sebagai kemajuan metode daripada kepastian bahwa titik kritis iklim kini dapat diprediksi secara akurat. Data simulasi memberi ruang bagi ilmuwan untuk menguji kemampuan AI, tetapi kondisi alam jauh lebih kompleks dan terus berubah.
Jika kelak terbukti andal dengan data pengamatan, pendekatan semacam ini dapat membantu ilmuwan mengenali tanda-tanda sistem yang mendekati ambang perubahan lebih dini. Untuk saat ini, langkah berikutnya adalah menguji batas kemampuan model tersebut di luar simulasi, agar peringatan yang dihasilkan benar-benar relevan bagi pemantauan iklim.
