La crisis climática representa uno de los desafíos más urgentes que enfrenta la humanidad en el siglo XXI. El aumento constante de las temperaturas globales y la creciente frecuencia y severidad de eventos climáticos extremos[1] exigen el desarrollo de soluciones innovadoras y efectivas. En este contexto, la inteligencia artificial (IA) emerge como una herramienta potencialmente revolucionaria para transformar nuestra capacidad de comprender, mitigar y adaptarnos al cambio climático[2].
La inteligencia artificial es una herramienta capaz de proporcionar sistemas capaces de aprender de cantidades masivas de datos, como los relacionados con el clima global y su impacto en la sociedad. A diferencia de otros métodos tradicionales de investigación científica, la IA sirve para identificar patrones complejos, realizar predicciones precisas y generar soluciones optimizadas en una escala y velocidad sin precedentes. Estas propiedades resultan especialmente valiosas en el contexto del cambio climático antropogénico, donde la interacción de múltiples variables y sistemas requiere un enfoque analítico sofisticado, basado en datos, y multidimensional.
El potencial de la IA en la lucha contra el cambio climático se manifiesta en tres áreas fundamentales. En primer lugar, la mitigación[3] implica reducir o prevenir las emisiones de gases de efecto invernadero, y la IA está revolucionando este campo en sectores clave como la energía renovable, el transporte, o la industria. En segundo lugar, la adaptación[4], que consiste en ajustar los sistemas naturales y humanos para responder a los impactos climáticos actuales o futuros. El aprendizaje automático puede ayudar a comunidades y ecosistemas a prepararse y responder ante estos cambios. Entre otros casos de uso, la IA contribuye a mejorar infraestructuras, o potencialmente predecir eventos meteorológicos extremos, como la catastrófica DANA que afectó a España en 2024. Finalmente, el modelado del clima[5], cuyo objetivo es simular y predecir los cambios en el sistema climático global, está experimentando avances significativos gracias a la IA. Esta tecnología permite modelar mejor la dinámica del clima y sus posibles trayectorias futuras en función de diferentes escenarios sociopolíticos, como los desarrollados por el Panel Intergubernamental sobre Cambio Climático (IPCC)[6].
En este capítulo, examinaremos el papel transformador de la inteligencia artificial en la lucha contra el cambio climático, explorando sus aplicaciones actuales, sus usos futuros y sus riesgos. Analizaremos ejemplos en los que la IA está revolucionando nuestra capacidad para abordar uno de los mayores desafíos de nuestra era. También, discutiremos los desafíos que deben ser superados para maximizar el potencial de esta tecnología en la protección de nuestro planeta.
El cambio climático antropogénico[7] representa una alteración significativa y duradera de los patrones climáticos globales, impulsada principalmente por la actividad humana desde la revolución industrial. Este fenómeno se caracteriza por el aumento sostenido de la temperatura media global, causado por la acumulación de emisiones de gases de efecto invernadero en la atmósfera, principalmente dióxido de carbono, metano y óxido nitroso. Estas emisiones provienen principalmente de la quema de combustibles fósiles, la deforestación, la agricultura intensiva y los procesos industriales.
Las consecuencias del cambio climático son diversas y de largo alcance. El aumento del nivel del mar amenaza a comunidades costeras y países insulares. Los eventos meteorológicos extremos, como sequías prolongadas, lluvias torrenciales y olas de calor, se han vuelto más frecuentes e intensos, con graves consecuencias para la salud humana[8]. Las elevadas temperaturas y la contaminación atmosférica causan un incremento significativo en la mortalidad global[9], con un impacto mayor de los eventos climáticos extremos[10][11]. Los ecosistemas naturales están siendo transformados, con numerosas especies enfrentando riesgos de extinción. La seguridad alimentaria global está en riesgo debido a los impactos en la agricultura y la pesca.
Las implicaciones económicas del cambio climático son potencialmente devastadoras. Según un estudio reciente[12], cada grado centígrado adicional de temperatura global implica una reducción del 12% del producto interior bruto (PIB) global. Además, este impacto no se distribuye de manera uniforme. Las poblaciones más vulnerables, especialmente en países en desarrollo y comunidades desfavorecidas en países desarrollados, sufren de manera desproporcionada los efectos del cambio climático[13]. Estas comunidades, que han contribuido menos a las emisiones globales, enfrentan los mayores riesgos debido a su menor capacidad de adaptación y su dependencia directa de recursos naturales[14]. Además, el cambio climático contribuye a incrementar las desigualdades sociales[15].
Aunque los enfoques actuales para abordar el cambio climático han conseguido avances relevantes, la magnitud y complejidad del desafío hacen necesarias soluciones complementarias, como la incorporación de nuevas herramientas y tecnologías. En este contexto, la inteligencia artificial es una herramienta capaz de fortalecer y ampliar los esfuerzos existentes, aportando nuevas y capacidades nuevas para enfrentar este urgente desafío global.
La inteligencia artificial es un campo de las ciencias de la computación cuyo objetivo es desarrollar sistemas automáticos capaces de realizar tareas que tradicionalmente han requerido inteligencia humana. Su capacidad para analizar datos complejos y encontrar patrones la convierte en una herramienta fundamental para abordar el cambio climático. La IA moderna se construye principalmente sobre el aprendizaje automático, una tecnología que permite a los sistemas aprender y mejorar a partir de la experiencia sin ser programados explícitamente para cada tarea específica.
El aprendizaje automático funciona mediante el análisis de grandes volúmenes de datos para identificar patrones. Los algoritmos procesan estos datos a través de modelos matemáticos capaces de reconocer tendencias, realizar predicciones y generar conocimiento que serían difíciles o imposibles de obtener mediante métodos tradicionales. Una rama particularmente poderosa del aprendizaje automático es el aprendizaje profundo[16], que utiliza redes neuronales artificiales inspiradas en el funcionamiento del cerebro humano. Estas redes, que también son la base de la IA generativa y los modelos de lenguaje como ChatGPT[17], son especialmente efectivas en tareas complejas como el procesamiento de imágenes de satélite[18], o la predicción de eventos climáticos[19] y sus consecuencias económicas[20].
La IA sobresale en cuatro áreas fundamentales que la hacen valiosa para abordar el cambio climático. En el análisis de datos, puede procesar cantidades masivas de información proveniente de múltiples fuentes, como satélites, estaciones meteorológicas y sensores terrestres, identificando patrones que pasarían desapercibidos para los analistas humanos. En el campo del comportamiento social, analiza datos de redes sociales y medios de comunicación[21] para comprender cómo la sociedad reacciona ante el cambio climático[22], información crucial para desarrollar políticas y campañas de concienciación. En cuanto a la predicción, la IA es capaz de realizar pronósticos precisos basados en datos históricos[23] y condiciones presentes, desde la producción de energía solar[24] hasta el comportamiento de consumo energético en edificios[25]. Finalmente, en el área de innovación tecnológica, destaca su capacidad para optimizar sistemas complejos, como redes eléctricas[26], rutas de transporte[27], procesos industriales[28], y la creación de nuevos materiales[29], maximizando la eficiencia y reduciendo las emisiones de gases de efecto invernadero.
Una característica distintiva de la IA es su capacidad de aprendizaje continuo y adaptación. A medida que se incorporan nuevos datos y observaciones, estos sistemas actualizan sus modelos y mejorar su precisión. Esta flexibilidad es particularmente valiosa en el cambio climático[30], que está en constante evolución y los patrones históricos pueden no ser indicadores confiables del comportamiento futuro del clima.
Como hemos mencionado en la introducción, la mitigación del cambio climático comprende aquellas acciones destinadas a reducir o prevenir emisiones de gases de efecto invernadero. Esta disminución de emisiones debe realizarse de forma significativa y en múltiples sectores para limitar el aumento de la temperatura global por debajo de los objetivos establecidos en el Acuerdo de París[31], que establece un límite de 2ºC por encima de los niveles preindustriales, con un objetivo preferente de 1.5ºC. En este contexto, las principales áreas de acción incluyen la transformación del sistema energético hacia fuentes renovables, la descarbonización del transporte y la industria, la mejora de la eficiencia energética, y el desarrollo de tecnologías de captura y almacenamiento de carbono.
En el sector energético, los sistemas de IA están revolucionando la integración de energías renovables en la red eléctrica. Por ejemplo, mediante el análisis datos meteorológicos, imágenes de satélite y registros históricos para predecir la generación solar y eólica[32] con una precisión y antelación superiores a lo que se obtiene mediante algoritmos tradicionales[33]. Esta capacidad facilita a los operadores de red planificar mejor la oferta, reduciendo la necesidad de centrales de respaldo basadas en combustibles fósiles[34]. Las redes eléctricas inteligentes[35] utilizan IA para optimizar la distribución de energía en tiempo real, corrigiendo ineficiencias, reduciendo pérdidas en la transmisión y maximizando el uso de las energías renovables disponibles. El mantenimiento predictivo basado en IA de aerogeneradores[36] y paneles solares[37] aumenta su producción mediante la detección temprana de averías y la optimización de los ciclos de mantenimiento, además de mejorar el desarrollo de baterías[38].
En el sector del transporte, la IA está acelerando la transición hacia una movilidad más verde. Los sistemas inteligentes de gestión del tráfico[39] son capaces de usar datos en tiempo real de sensores, cámaras y vehículos conectados para optimizar los semáforos y flujos de tráfico, reduciendo las emisiones por congestión. Para flotas comerciales[40], los algoritmos de IA optimizan rutas considerando múltiples variables como tráfico, topografía, carga y consumo energético, logrando reducir emisiones. En el ámbito de la movilidad eléctrica[41], la IA analiza patrones de movilidad urbana para optimizar la ubicación de estaciones de carga y predecir la demanda para evitar congestiones en la red. Los sistemas de gestión inteligente de flotas de vehículos utilizan IA para maximizar su uso y eficiencia en las ciudades[42].
En el sector industrial, los sistemas de IA están transformando los procesos productivos[43]. Los algoritmos de optimización en tiempo real ajustan continuamente parámetros como temperatura, presión y flujos en procesos industriales complejos, reduciendo el consumo energético[44] sin necesariamente comprometer la calidad del producto. En la industria del cemento, una de las mayores emisoras de CO2, la IA es capaz de optimizar tanto su consumo energético como reducir sus emisiones[45]. La IA está teniendo un impacto particularmente relevante en la industria textil y de la moda, uno de los sectores más contaminantes a nivel global. Estos métodos optimizan los procesos productivos y reducen el desperdicio de materiales[46] mediante una mejor predicción de la demanda[47] y planificación del inventario[48]. Una innovación prometedora es el «virtual try-on»[49], una tecnología basada en IA que facilita a los consumidores probarse ropa de forma virtual[50]. Esta tecnología no solo mejora la experiencia de compra, sino que reduce las devoluciones de productos y, por tanto, las emisiones asociadas al transporte[51]. Además, la IA contribuye a desarrollar tejidos sostenibles y a optimizar los procesos de tintado y acabado[52], que consumen grandes cantidades de agua y energía. Finalmente, en el campo del desarrollo de materiales[53], estos algoritmos evalúan compuestos para identificar nuevos materiales con propiedades deseadas, con usos como la producción de hidrógeno[54] verde o materiales de construcción con menor huella de carbono[55].
Finalmente, en el campo de la captura y almacenamiento de carbono, la IA optimiza la eficiencia de estas tecnologías críticas para la transición ecológica[56]. Como ilustración, pueden procesar datos geológicos complejos para identificar sitios más seguros y eficientes para el almacenamiento de CO2, o supervisar la integridad de los reservorios[57][58]. En las plantas de captura de carbono, la IA mejora los procesos de separación de CO2, reduciendo el consumo energético del proceso[59], o desarrollar nuevos compuestos más eficientes para la captura de CO2[60].
La adaptación al cambio climático implica ajustar los sistemas naturales y sociales para responder a los impactos climáticos actuales y futuros. Como hemos mencionado, mientras que la mitigación busca reducir emisiones, la adaptación se centra en desarrollar resiliencia ante los cambios que son ya inevitables. Estos esfuerzos son críticos para las comunidades más vulnerables, que son las más expuestas a los impactos climáticos y las que cuentan con menos recursos para adaptarse[61].
En la agricultura, la IA tiene el potencial de transformar nuestra capacidad de adaptación a condiciones climáticas cambiantes[62]. Los sistemas de agricultura de precisión utilizan algoritmos que combinan datos de satélite, sensores terrestres y pronósticos meteorológicos para optimizar el riego y el uso de recursos. Estos sistemas son capaces de predecir con precisión las necesidades hídricas de los cultivos y detectar problemas como plagas o enfermedades[63]. La IA también ayuda a desarrollar variedades de cultivos más resistentes a la sequía y las altas temperaturas, por ejemplo analizando datos genéticos. En regiones propensas a la sequía, los agricultores pueden utilizar IA[64] para seleccionar cultivos más apropiados y optimizar la siembra y la cosecha.
Los sistemas de alerta temprana potenciados por IA tienen la capacidad de mejorar nuestra capacidad de respuesta ante eventos extremos. Estos algoritmos analizan datos meteorológicos, topográficos e hidrológicos para predecir inundaciones, sequías y otros fenómenos meteorológicos con mayor precisión y antelación. En zonas costeras, la IA ayuda a monitorizar el aumento del nivel del mar[65] y predecir eventos de mareas extremas[66], mejorando la protección costera. Los sistemas de IA pueden optimizar la respuesta a emergencias, determinando rutas de evacuación más seguras[67] y asignando recursos de manera eficiente durante desastres naturales[68].
En entornos urbanos, la IA facilita el desarrollo de ciudades más resilientes al clima[69]. Esta tecnología analiza datos de temperatura, calidad del aire y uso del suelo para identificar y mitigar los efectos de las islas de calor urbanas[70]. Los sistemas de gestión del agua pueden usar IA para detectar fugas[71], optimizar el tratamiento de aguas residuales[72] y gestionar los recursos hídricos durante períodos de sequía[73]. En la planificación urbana, la IA ayuda a diseñar infraestructuras verdes y a identificar áreas prioritarias para implementar medidas de adaptación[74].
La gestión de ecosistemas también se beneficia del aprendizaje automático[75]. A modo de ejemplo, mediante el procesamiento de imágenes de satélite para monitorizar bosques, detectar cambios en patrones de biodiversidad y predecir riesgos de incendios forestales[76]. La IA ayuda a identificar corredores ecológicos críticos para la migración de especies en respuesta al cambio climático[77] y a optimizar los esfuerzos de restauración de ecosistemas. En ambientes marinos, los sistemas de IA analizan la salud de los arrecifes de coral[78] y ayudan a identificar áreas prioritarias para la conservación.
La adaptación basada en IA también considera aspectos sociales y económicos. Los algoritmos analizan datos climáticos y socioeconómicos para identificar comunidades vulnerables[79] y priorizar inversiones en adaptación. Estos sistemas ayudan a evaluar la efectividad de diferentes estrategias de adaptación y a optimizar la asignación de recursos limitados y el diseño de políticas públicas[80], ayudando a que las medidas implementadas sean tanto efectivas como equitativas.
Los modelos climáticos[81] son herramientas fundamentales para predecir el comportamiento del sistema climático global. Estos modelos utilizan ecuaciones matemáticas complejas para simular las interacciones entre la atmósfera, los océanos, la superficie terrestre y el hielo, permitiendo proyectar la evolución del clima bajo diferentes escenarios[82]. Sin embargo, los modelos tradicionales enfrentan limitaciones[83] debido a la inmensa complejidad del sistema climático y los enormes recursos computacionales[84] requeridos para simularlo adecuadamente.
La IA está transformando el modelado climático de diversas maneras. En primer lugar, procesa y analiza los grandes conjuntos de datos climáticos, desde mediciones históricas hasta observaciones satelitales, identificando patrones y relaciones que los métodos tradicionales podrían pasar por alto[85]. Esto mejora nuestra capacidad predictiva de los procesos climáticos y sus interacciones[86].
Los modelos híbridos[87], que combinan simulaciones físicas tradicionales con técnicas de IA, están emergiendo recientemente como una solución prometedora[88]. Estos modelos se benefician de la IA para mejorar su representación de procesos complejos como la formación de nubes[89], la dinámica del hielo[90] o los ciclos atmosféricos[91]. Por ejemplo, la IA puede aprender de observaciones detalladas cómo se comportan las nubes bajo diferentes condiciones y aplicar este conocimiento para mejorar las predicciones de los modelos tradicionales[92]. Esto no solo aumenta su precisión y velocidad, sino que también reduce los recursos computacionales necesarios para obtener las simulaciones.
La IA también está mejorando la resolución espacial y temporal de los modelos climáticos. Los algoritmos de «downscaling«[93] transforman proyecciones climáticas de baja resolución en predicciones detalladas a nivel local[94], fundamentales para el diseño de políticas para adaptación. Además, la IA se usa para corregir sesgos sistemáticos[95] en los modelos climáticos, ajustando sus predicciones para coincidir con observaciones históricas.
Un área prometedora es el uso de IA para la exploración de escenarios climáticos[96]. Estos escenarios consideran factores como la demografía, el desarrollo económico, el cambio tecnológico, la desigualdad social, y las políticas de mitigación y adaptación. Los modelos de IA pueden simular rápidamente múltiples trayectorias futuras bajo diferentes supuestos socioeconómicos[97]. Esta capacidad es fundamental para los responsables políticos, ya que les permite comprender mejor las consecuencias de diferentes decisiones y diseñar estrategias más robustas para la acción climática.
Como hemos visto, la IA tiene un enorme potencial para abordar la crisis climática. A pesar de ello, existen importantes desafíos técnicos, éticos y sociales que deben considerarse. La implementación de soluciones basadas en IA requiere abordar cuidadosamente estas limitaciones y riesgos.
Un desafío fundamental es la calidad y disponibilidad de los datos. Los modelos de IA requieren grandes cantidades de datos precisos para funcionar correctamente. Sin embargo, muchas regiones del mundo, especialmente en países en desarrollo, carecen de infraestructura para la recolección de datos climáticos. Esta brecha puede llevar a sesgos en los modelos, resultando en soluciones que funcionan en algunas regiones pero son ineficaces o incluso contraproducentes en otras. Además, la privacidad y seguridad de los datos deben ser tenidas en cuenta, especialmente la información sensible sobre infraestructuras críticas o patrones de consumo energético.
La implementación de soluciones basadas en IA también presenta desafíos de equidad y justicia social[98][99]. Estas tecnologías pueden beneficiar principalmente a países y comunidades que ya cuentan con recursos sustanciales, ampliando las brechas existentes en la capacidad de adaptación climática. Por ejemplo, los sistemas agrícolas inteligentes o las redes eléctricas optimizadas por IA podrían resultar inaccesibles para comunidades más pobres debido a su coste de implementación. Por tanto, la regulación de las tecnologías de IA en el contexto climático requiere marcos normativos que garanticen su transparencia y seguridad[100], especialmente en infraestructuras críticas o cuando afectan a comunidades vulnerables. Estos marcos deben también equilibrar la protección de la propiedad intelectual[101] con la necesidad de compartir soluciones para luchar contra el cambio climático.
En el ámbito laboral[102], la implementación de soluciones basadas en IA está generando tanto oportunidades como desafíos. Mientras surgen empleos en áreas como la informática, otros trabajos tradicionales pueden verse desplazados. Por tanto, será necesario crear programas de capacitación y desarrollo de profesionales que combinen conocimientos en tecnología y en sostenibilidad.
El consumo energético de la IA representa otra preocupación significativa. El entrenamiento y operación de modelos de IA requiere enormes recursos computacionales y, por tanto, energía[103][104]. Esta huella de carbono[105] debe ser considerada[106] para asegurar que los beneficios climáticos superen su coste energético. Es crucial desarrollar algoritmos más eficientes[107] y utilizar fuentes de energía renovable para los centros de datos que ejecutan estos sistemas.
Finalmente, la dependencia de soluciones tecnológicas también plantea riesgos. La IA no debe verse como una solución mágica[108] que reemplaza la necesidad de cambios profundos en nuestros sistemas económicos y sociales. Existe el peligro de que una excesiva confianza en soluciones tecnológicas pueda retrasar o impedir la implementación de políticas climáticas o desviar recursos de otras estrategias de mitigación y adaptación.
La inteligencia artificial es una herramienta transformadora en la lucha contra el cambio climático, y su potencial continúa expandiéndose a medida que la tecnología evoluciona. Los avances en aprendizaje profundo, visión por ordenador y procesamiento de lenguaje natural están abriendo nuevas posibilidades para abordar los desafíos climáticos de manera más efectiva. La integración de la IA en los sistemas de energía, transporte y producción industrial permitirá una optimización más sofisticada y una reducción más significativa de emisiones, mientras que los modelos climáticos inteligentes proporcionan predicciones más precisas, facilitando la adaptación y la mitigación.
El éxito de estas tecnologías dependerá del apoyo sostenido a la investigación científica y del desarrollo de políticas públicas efectivas y ambiciosas. La investigación en IA para el clima requiere tres elementos: financiación pública robusta y continua, infraestructuras de investigación adecuadas, y programas de formación para la próxima generación de científicos e ingenieros. Paralelamente, las políticas públicas deben establecer marcos regulatorios que fomenten la innovación mientras garantizan un desarrollo y despliegue ético y equitativo de estas tecnologías. Aunque la colaboración entre instituciones públicas, centros de investigación y sector privado es importante, el papel del sector público es insustituible. Solo las instituciones públicas pueden garantizar una transición ecológica justa y que la tecnología priorice el bien común, asegurando su accesibilidad para todas las comunidades, especialmente las más vulnerables. La magnitud sin precedentes del desafío climático requiere situar la ciencia en el centro de la respuesta global.
El camino hacia un futuro sostenible y socialmente justo dependerá de nuestra capacidad para fortalecer las instituciones científicas y traducir sus descubrimientos en políticas efectivas. La IA ofrece herramientas poderosas para abordar el cambio climático, pero aprovechar su potencial requiere un esfuerzo coordinado y sostenido. Es fundamental que los responsables políticos desarrollen marcos regulatorios que fomenten la innovación responsable, que la industria invierta en soluciones sostenibles, y que la comunidad investigadora continúe avanzando de forma ambiciosa y responsable. Solo mediante este esfuerzo conjunto se podrá aprovechar el poder de la inteligencia artificial para construir un futuro más sostenible y equitativo para todos.
[1] Spinoni, J., et al. «Will drought events become more frequent and severe in Europe?.» International Journal of Climatology 38 (2018): 1718-1736
[2] Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., … & Bengio, Y. (2022). Tackling climate change with machine learning. ACM Computing Surveys (CSUR), 55(2), 1-96.
[3] Kaack, L. H., Donti, P. L., Strubell, E., Kamiya, G., Creutzig, F., & Rolnick, D. (2022). Aligning artificial intelligence with climate change mitigation. Nature Climate Change, 12(6), 518-527.
[4] Cheong, S. M., Sankaran, K., & Bastani, H. (2022). Artificial intelligence for climate change adaptation. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 12(5), e1459.
[5] Bodnar, C., Bruinsma, W. P., Lucic, A., Stanley, M., Brandstetter, J., Garvan, P., … & Perdikaris, P. (2024). Aurora: A foundation model of the atmosphere. arXiv preprint arXiv:2405.13063.
[6] Pirani, A., Fuglestvedt, J. S., Byers, E., O’Neill, B., Riahi, K., Lee, J. Y., … & Tebaldi, C. (2024). Scenarios in IPCC assessments: lessons from AR6 and opportunities for AR7. npj Climate Action, 3(1), 1.
[7] Hansen, G., & Stone, D. (2016). Assessing the observed impact of anthropogenic climate change. Nature Climate Change, 6(5), 532-537.
[8] Gasparrini, A., & Armstrong, B. (2011). The impact of heat waves on mortality. Epidemiology, 22(1), 68-73.
[9] Ballester, J., Quijal-Zamorano, M., Méndez Turrubiates, R. F., Pegenaute, F., Herrmann, F. R., Robine, J. M., … & Achebak, H. (2023). Heat-related mortality in Europe during the summer of 2022. Nature medicine, 29(7), 1857-1866.
[10] Schmidt, V., Luccioni, A. S., Teng, M., Zhang, T., Reynaud, A., Raghupathi, S., … & Bengio, Y. (2021). Climategan: Raising climate change awareness by generating images of floods. arXiv preprint arXiv:2110.02871.
[11] Ebi, K. L., Vanos, J., Baldwin, J. W., Bell, J. E., Hondula, D. M., Errett, N. A., … & Berry, P. (2021). Extreme weather and climate change: population health and health system implications. Annual review of public health, 42(1), 293-315.
[12]Bilal, A., & Känzig, D. R. (2024). The Macroeconomic Impact of Climate Change: Global vs. Local Temperature (No. w32450). National Bureau of Economic Research.
[13]Thornton, P. K., Ericksen, P. J., Herrero, M., & Challinor, A. J. (2014). Climate variability and vulnerability to climate change: a review. Global change biology, 20(11), 3313-3328.
[14] Markkanen, S., & Anger-Kraavi, A. (2019). Social impacts of climate change mitigation policies and their implications for inequality. Climate Policy, 19(7), 827-844.
[15] Cevik and Jalles, For whom the bell tolls: Climate change and income inequality, Energy Policy 2015
[16] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
[17] Achiam, Josh, Steven Adler, Sandhini Agarwal, Lama Ahmad, Ilge Akkaya, Florencia Leoni Aleman, Diogo Almeida et al. «Gpt-4 technical report.» arXiv preprint arXiv:2303.08774 (2023).
[18] Mohanty, S. P., Czakon, J., Kaczmarek, K. A., Pyskir, A., Tarasiewicz, P., Kunwar, S., … & Schilling, M. (2020). Deep learning for understanding satellite imagery: An experimental survey. Frontiers in Artificial Intelligence, 3, 534696.
[19] Rasp, S., Pritchard, M. S., & Gentine, P. (2018). Deep learning to represent subgrid processes in climate models. Proceedings of the national academy of sciences, 115(39), 9684-9689.
[20] Jassim, M. M., Abass, H. K., Al-Ani, A. R. M., Mahdi, A. F., Almaaly, A. M. J., Navrozova, Y., & Bodnar, N. (2024, October). Deep Learning Approaches for Predicting Climate Change Impacts: An Empirical Analysis. In 2024 36th Conference of Open Innovations Association (FRUCT) (pp. 481-492). IEEE.
[21] Agüero-Torales, M. M., Salas, J. I. A., & López-Herrera, A. G. (2021). Deep learning and multilingual sentiment analysis on social media data: An overview. Applied Soft Computing, 107, 107373.
[22] Sanford, M., Painter, J., Yasseri, T., & Lorimer, J. (2021). Controversy around climate change reports: a case study of Twitter responses to the 2019 IPCC report on land. Climatic change, 167(3), 59.
[23] Forootan, M. M., Larki, I., Zahedi, R., & Ahmadi, A. (2022). Machine learning and deep learning in energy systems: A review. Sustainability, 14(8), 4832.
[24] Zhang, R., Feng, M., Zhang, W., Lu, S., & Wang, F. (2018, November). Forecast of solar energy production-A deep learning approach. In 2018 IEEE International Conference on Big Knowledge (ICBK) (pp. 73-82). IEEE.
[25] Tien, P. W., Wei, S., Darkwa, J., Wood, C., & Calautit, J. K. (2022). Machine learning and deep learning methods for enhancing building energy efficiency and indoor environmental quality–a review. Energy and AI, 10, 100198.
[26] Fu, T., Wang, C., & Cheng, N. (2020). Deep-learning-based joint optimization of renewable energy storage and routing in vehicular energy network. IEEE Internet of Things Journal, 7(7), 6229-6241.
[27] Nguyen, H., Kieu, L. M., Wen, T., & Cai, C. (2018). Deep learning methods in transportation domain: a review. IET Intelligent Transport Systems, 12(9), 998-1004.
[28] Hernavs, J., Ficko, M., Klančnik, L., Rudolf, R., & Klančnik, S. (2018). Deep learning in industry 4.0–brief overview. Journal of Production Engineering, 1-5.
[29] Choudhary, K., DeCost, B., Chen, C., Jain, A., Tavazza, F., Cohn, R., … & Wolverton, C. (2022). Recent advances and applications of deep learning methods in materials science. npj Computational Materials, 8(1), 59.
[30] Ladi, T., Jabalameli, S., & Sharifi, A. (2022). Applications of machine learning and deep learning methods for climate change mitigation and adaptation. Environment and Planning B: Urban Analytics and City Science, 49(4), 1314-1330.
[31] Agreement, P. (2015, December). Paris agreement. In report of the conference of the parties to the United Nations framework convention on climate change (21st session, 2015: Paris). Retrived December (Vol. 4, No. 2017, p. 2). Getzville, NY, USA: HeinOnline.
[32] Price, I., Sanchez-Gonzalez, A., Alet, F. et al. Probabilistic weather forecasting with machine learning. Nature (2024). https://doi.org/10.1038/s41586-024-08252-9
[33] Abualigah, L., Zitar, R. A., Almotairi, K. H., Hussein, A. M., Abd Elaziz, M., Nikoo, M. R., & Gandomi, A. H. (2022). Wind, solar, and photovoltaic renewable energy systems with and without energy storage optimization: A survey of advanced machine learning and deep learning techniques. Energies, 15(2), 578.
[34] Wang, H., Lei, Z., Zhang, X., Zhou, B., & Peng, J. (2019). A review of deep learning for renewable energy forecasting. Energy Conversion and Management, 198, 111799.
[35]Harder, N., Qussous, R., & Weidlich, A. (2023). Fit for purpose: Modeling wholesale electricity markets realistically with multi-agent deep reinforcement learning. Energy and AI, 14, 100295.
[36] Helbing, G., & Ritter, M. (2018). Deep Learning for fault detection in wind turbines. Renewable and Sustainable Energy Reviews, 98, 189-198.
[37] Qureshi, M. S., Umar, S., & Nawaz, M. U. (2024). Machine Learning for Predictive Maintenance in Solar Farms. International Journal of Advanced Engineering Technologies and Innovations, 1(3), 27-49.
[38] Zhang, Y., & Li, Y. F. (2022). Prognostics and health management of Lithium-ion battery using deep learning methods: A review. Renewable and sustainable energy reviews, 161, 112282.
[39] Abbasi, M., Shahraki, A., & Taherkordi, A. (2021). Deep learning for network traffic monitoring and analysis (NTMA): A survey. Computer Communications, 170, 19-41.
[40] Lin, K., Zhao, R., Xu, Z., & Zhou, J. (2018, July). Efficient large-scale fleet management via multi-agent deep reinforcement learning. In Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 1774-1783).
[41] Dabbaghjamanesh, M., Kavousi-Fard, A., & Zhang, J. (2020). Stochastic modeling and integration of plug-in hybrid electric vehicles in reconfigurable microgrids with deep learning-based forecasting. IEEE Transactions on Intelligent Transportation Systems, 22(7), 4394-4403.
[42] Laroui, M., Dridi, A., Afifi, H., Moungla, H., Marot, M., & Cherif, M. A. (2019, June). Energy management for electric vehicles in smart cities: a deep learning approach. In 2019 15th International Wireless Communications & Mobile Computing Conference (IWCMC) (pp. 2080-2085). IEEE.
[43] Khalil, R. A., Saeed, N., Masood, M., Fard, Y. M., Alouini, M. S., & Al-Naffouri, T. Y. (2021). Deep learning in the industrial internet of things: Potentials, challenges, and emerging applications. IEEE Internet of Things Journal, 8(14), 11016-11040.
[44] Narciso, D. A., & Martins, F. G. (2020). Application of machine learning tools for energy efficiency in industry: A review. Energy Reports, 6, 1181-1199.
[45] Tong, Z., Huo, J., & Wang, Z. (2020). High-throughput design of fiber reinforced cement-based composites using deep learning. Cement and Concrete Composites, 113, 103716.
[46] Bobulski, J., & Kubanek, M. (2021). Deep learning for plastic waste classification system. Applied Computational Intelligence and Soft Computing, 2021(1), 6626948.
[47] Bedi, J., & Toshniwal, D. (2019). Deep learning framework to forecast electricity demand. Applied energy, 238, 1312-1326.
[48] Qi, M., Shi, Y., Qi, Y., Ma, C., Yuan, R., Wu, D., & Shen, Z. J. (2023). A practical end-to-end inventory management model with deep learning. Management Science, 69(2), 759-773.
[49] Santesteban, I., Otaduy, M. A., & Casas, D. (2019, May). Learning‐based animation of clothing for virtual try‐on. In Computer Graphics Forum (Vol. 38, No. 2, pp. 355-366).
[50] Rodriguez‐Pardo, C., Prieto‐Martin, M., Casas, D., & Garces, E. (2023, May). How will it drape like? capturing fabric mechanics from depth images. In Computer Graphics Forum (Vol. 42, No. 2, pp. 149-160).
[51] Rodriguez-Pardo, C. (2023). Neural Networks for Digital Materials and Radiance Encoding (Doctoral dissertation).
[52] Azevedo, J., Ribeiro, R., Matos, L. M., Sousa, R., Silva, J. P., Pilastri, A., & Cortez, P. (2022). Predicting yarn breaks in textile fabrics: A machine learning approach. Procedia Computer Science, 207, 2301-2310.
[53] Ferguson, A. L. (2017). Machine learning and data science in soft materials engineering. Journal of Physics: Condensed Matter, 30(4), 043002.
[54] Bassey, K. E., & Ibegbulam, C. (2023). Machine learning for green hydrogen production. Computer Science & IT Research Journal, 4(3), 368-385.
[55] Xu, Y., Zhou, Y., Sekula, P., & Ding, L. (2021). Machine learning in construction: From shallow to deep learning. Developments in the built environment, 6, 100045.
[56] Jerng, S. E., Park, Y. J., & Li, J. (2024). Machine learning for CO2 capture and conversion: A review. Energy and AI, 100361.
[57] Zhao, J., Lange, H., & Meissner, H. (2022). Estimating Carbon Sink Strength of Norway Spruce Forests Using Machine Learning. Forests, 13(10), 1721.
[58] Thanh, H. V., Yasin, Q., Al-Mudhafar, W. J., & Lee, K. K. (2022). Knowledge-based machine learning techniques for accurate prediction of CO2 storage performance in underground saline aquifers. Applied Energy, 314, 118985.
[59] Al-Sakkari, E. G., Ragab, A., So, T. M., Shokrollahi, M., Dagdougui, H., Navarri, P., … & Amazouz, M. (2023). Machine learning-assisted selection of adsorption-based carbon dioxide capture materials. Journal of Environmental Chemical Engineering, 11(5), 110732.
[60] Anderson, R., Rodgers, J., Argueta, E., Biong, A., & Gómez-Gualdrón, D. A. (2018). Role of pore chemistry and topology in the CO2 capture capabilities of MOFs: from molecular simulation to machine learning. Chemistry of Materials, 30(18), 6325-6337.
[61] Eriksen, S. H., Nightingale, A. J., & Eakin, H. (2015). Reframing adaptation: The political nature of climate change adaptation. Global environmental change, 35, 523-533.
[62] Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147, 70-90.
[63] Attri, I., Awasthi, L. K., Sharma, T. P., & Rathee, P. (2023). A review of deep learning techniques used in agriculture. Ecological Informatics, 102217.
[64] Tyagi, S., Zhang, X., Saraswat, D., Sahany, S., Mishra, S. K., & Niyogi, D. (2022). Flash drought: Review of concept, prediction and the potential for machine learning, deep learning methods. Earth’s Future, 10(11), e2022EF002723.
[65] Tiggeloven, T., Couasnon, A., van Straaten, C., Muis, S., & Ward, P. J. (2021). Exploring deep learning capabilities for surge predictions in coastal areas. Scientific reports, 11(1), 17224.
[66] Riazi, A. (2020). Accurate tide level estimation: A deep learning approach. Ocean Engineering, 198, 107013.
[67] Hou, H., & Wang, L. (2022). Measuring dynamics in evacuation behaviour with deep learning. Entropy, 24(2), 198.
[68] Antoniou, V., & Potsiou, C. (2020). A deep learning method to accelerate the disaster response process. Remote Sensing, 12(3), 544.
[69] Milojevic-Dupont, N., & Creutzig, F. (2021). Machine learning for geographically differentiated climate change mitigation in urban areas. Sustainable Cities and Society, 64, 102526.
[70] Sujanthi, S., Santhosh, P., Raj, M. V., & Vishwa, G. P. (2024, January). Climate Change Adaptation and Mitigation using Deep Learning for Urban Environments. In 2024 2nd International Conference on Intelligent Data Communication Technologies and Internet of Things (IDCIoT) (pp. 1468-1473). IEEE.
[71] Javadiha, M., Blesa, J., Soldevila, A., & Puig, V. (2019, April). Leak localization in water distribution networks using deep learning. In 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT) (pp. 1426-1431). IEEE.
[72] Onyutha, C. (2022). Multiple statistical model ensemble predictions of residual chlorine in drinking water: applications of various deep learning and machine learning algorithms. Journal of Environmental and Public Health, 2022(1), 7104752.
[73] Gyaneshwar, A., Mishra, A., Chadha, U., Raj Vincent, P. D., Rajinikanth, V., Pattukandan Ganapathy, G., & Srinivasan, K. (2023). A contemporary review on deep learning models for drought prediction. Sustainability, 15(7), 6160.
[74] Dick, K., Russell, L., Souley Dosso, Y., Kwamena, F., & Green, J. R. (2019). Deep learning for critical infrastructure resilience. Journal of Infrastructure Systems, 25(2), 05019003.
[75] Perry, G. L., Seidl, R., Bellvé, A. M., & Rammer, W. (2022). An outlook for deep learning in ecosystem science. Ecosystems, 25(8), 1700-1718.
[76] Hamdi, Z. M., Brandmeier, M., & Straub, C. (2019). Forest damage assessment using deep learning on high resolution remote sensing data. Remote Sensing, 11(17), 1976.
[77] Stupariu, M. S., Cushman, S. A., Pleşoianu, A. I., Pătru-Stupariu, I., & Fuerst, C. (2022). Machine learning in landscape ecological analysis: a review of recent approaches. Landscape Ecology, 37(5), 1227-1250.
[78] Mahmood, A., Bennamoun, M., An, S., Sohel, F., Boussaid, F., Hovey, R., … & Fisher, R. B. (2016, September). Automatic annotation of coral reefs using deep learning. In Oceans 2016 mts/IEEE monterey (pp. 1-5). IEEE.
[79] Zhao, Y., Paul, R., Reid, S., Coimbra Vieira, C., Wolfe, C., Zhang, Y., & Chunara, R. (2024). Constructing Social Vulnerability Indexes with Increased Data and Machine Learning Highlight the Importance of Wealth Across Global Contexts. Social Indicators Research, 1-19.
[80] Chatsiou, K., & Mikhaylov, S. J. (2020). Deep learning for political science. The SAGE handbook of research methods in political science and international relations, 1053-1078.
[81] Randall, D. A., Wood, R. A., Bony, S., Colman, R., Fichefet, T., Fyfe, J., … & Taylor, K. E. (2007). Climate models and their evaluation. In Climate change 2007: The physical science basis. Contribution of Working Group I to the Fourth Assessment Report of the IPCC (FAR) (pp. 589-662). Cambridge University Press.
[82] Kattenberg, A., Giorgi, F., Grassl, H., Meehl, G. A., Mitchell, J. F. B., Stouffer, R. J., … & Wigley, T. M. L. (1996). Climate models: projections of future climate. In Climate Change 1995: the science of climate change. Contribution of WG1 to the Second Assessment Report of the IPCC (pp. 299-357). Cambridge University Press.
[83] Raäisaänen, J. (2007). How reliable are climate models?. Tellus A: Dynamic Meteorology and Oceanography, 59(1), 2-29.
[84] McGuffie, K., & Henderson‐Sellers, A. (2001). Forty years of numerical climate modelling. International Journal of Climatology: A Journal of the Royal Meteorological Society, 21(9), 1067-1109.
[85] Rasp, S., Pritchard, M. S., & Gentine, P. (2018). Deep learning to represent subgrid processes in climate models. Proceedings of the national academy of sciences, 115(39), 9684-9689.
[86] Wang, F., & Tian, D. (2022). On deep learning-based bias correction and downscaling of multiple climate models simulations. Climate dynamics, 59(11), 3451-3468.
[87] Iglesias‐Suarez, F., Gentine, P., Solino‐Fernandez, B., Beucler, T., Pritchard, M., Runge, J., & Eyring, V. (2024). Causally‐informed deep learning to improve climate models and projections. Journal of Geophysical Research: Atmospheres, 129(4), e2023JD039202.
[88] Doury, A., Somot, S., Gadat, S., Ribes, A., & Corre, L. (2023). Regional climate model emulator based on deep learning: Concept and first evaluation of a novel hybrid downscaling approach. Climate Dynamics, 60(5), 1751-1779.
[89] Kuma, P., Bender, F. A. M., Schuddeboom, A., McDonald, A. J., & Seland, Ø. (2023). Machine learning of cloud types in satellite observations and climate models. Atmospheric Chemistry and Physics, 23(1), 523-549.
[90] Andersson, T. R., Hosking, J. S., Pérez-Ortiz, M., Paige, B., Elliott, A., Russell, C., … & Shuckburgh, E. (2021). Seasonal Arctic sea ice forecasting with probabilistic deep learning. Nature communications, 12(1), 5124.
[91] Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., & Prabhat, F. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566(7743), 195-204.
[92] Henn, B., Jauregui, Y. R., Clark, S. K., Brenowitz, N. D., McGibbon, J., Watt‐Meyer, O., … & Bretherton, C. S. (2024). A machine learning parameterization of clouds in a coarse‐resolution climate model for unbiased radiation. Journal of Advances in Modeling Earth Systems, 16(3), e2023MS003949.
[93] van der Meer, M., de Roda Husman, S., & Lhermitte, S. (2023). Deep learning regional climate model emulators: A comparison of two downscaling training frameworks. Journal of Advances in Modeling Earth Systems, 15(6), e2022MS003593.
[94] Kajbaf, A. A., Bensi, M., & Brubaker, K. L. (2022). Temporal downscaling of precipitation from climate model projections using machine learning. Stochastic Environmental Research and Risk Assessment, 36(8), 2173-2194.
[95] Wang, F., & Tian, D. (2024). Multivariate bias correction and downscaling of climate models with trend-preserving deep learning. Climate Dynamics, 62(10), 9651-9672.
[96] Addison, H., Kendon, E., Ravuri, S., Aitchison, L., & Watson, P. A. (2022). Machine learning emulation of a local-scale UK climate model. arXiv preprint arXiv:2211.16116.
[97] Kaltenborn, J., Lange, C., Ramesh, V., Brouillard, P., Gurwicz, Y., Nagda, C., … & Rolnick, D. (2023). Climateset: A large-scale climate model dataset for machine learning. Advances in Neural Information Processing Systems, 36, 21757-21792.
[98]Luccioni, S., Akiki, C., Mitchell, M., & Jernite, Y. (2024). Stable bias: Evaluating societal representations in diffusion models. Advances in Neural Information Processing Systems, 36.
[99] Solaiman, I., Talat, Z., Agnew, W., Ahmad, L., Baker, D., Blodgett, S. L., … & Subramonian, A. (2023). Evaluating the social impact of generative ai systems in systems and society. arXiv preprint arXiv:2306.05949.
[100] Black, J., & Murray, A. D. (2019). Regulating AI and machine learning: setting the regulatory agenda. European journal of law and technology, 10(3).
[101] Kop, M. (2019). AI & intellectual property: Towards an articulated public domain. Tex. Intell. Prop. LJ, 28, 297.
[102] Felten, E. W., Raj, M., & Seamans, R. (2019). The occupational impact of artificial intelligence: Labor, skills, and polarization. NYU Stern School of Business.
[103] Dodge, J., Prewitt, T., Tachet des Combes, R., Odmark, E., Schwartz, R., Strubell, E., … & Buchanan, W. (2022, June). Measuring the carbon intensity of ai in cloud instances. In Proceedings of the 2022 ACM conference on fairness, accountability, and transparency (pp. 1877-1894).
[104] Luccioni, S., Gamazaychikov, B., Hooker, S., Pierrard, R., Strubell, E., Jernite, Y., & Wu, C. J. (2024). Light bulbs have energy ratings—so why can’t AI chatbots?. Nature, 632(8026), 736-738.
[105] Luccioni, S., Jernite, Y., & Strubell, E. (2024, June). Power hungry processing: Watts driving the cost of AI deployment?. In The 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 85-99).
[106] Luccioni, A. S., & Hernandez-Garcia, A. (2023). Counting carbon: A survey of factors influencing the emissions of machine learning. arXiv preprint arXiv:2302.08476.
[107] Longpre, S., Biderman, S., Albalak, A., Schoelkopf, H., McDuff, D., Kapoor, S., … & Soldaini, L. (2024). The responsible foundation model development cheatsheet: A review of tools & resources. arXiv preprint arXiv:2406.16746.
[108] Poisot, T., Dalla Riva, G., Desjardins-Proulx, P., & Luccioni, A. S. (2023). The future of ecological research will not be (fully) automated. Authorea Preprints.
