El aprendizaje automático desvela pistas climáticas de los testigos de hielo
Los testigos de hielo, cilindros largos de hielo perforados y extraídos de la capa de hielo polar o de los glaciares alpinos, nos proporcionan registros impolutos de climas pasados. Las capas de depósito crean una serie de instantáneas climáticas que pueden remontarse hasta 800 000 años. «El clima de la Tierra puede desvelarse detectando impurezas fijadas dentro del hielo», explica el coordinador del proyecto ICELEARNING, Carlo Barbante, de la Universidad Ca’ Foscari de Venecia (Italia). «El viento transporta los compuestos químicos solubles, los gases atmosféricos y las partículas insolubles emitidas por desiertos, bosques y volcanes, para después enterrarlos en el hielo». Las técnicas metodológicas estándar para identificar y cuantificar estas partículas pueden requerir mucho tiempo. Las muestras deben prepararse en el laboratorio y cada análisis de partículas suele requerir una preparación diferente. A menudo expertos de distintos ámbitos estudian la misma prueba para identificar los elementos de interés para su campo específico (por ejemplo, granos de polen o cenizas volcánicas).
Análisis del pasado
El proyecto ICELEARNING, emprendido con el respaldo de las Acciones Marie Skłodowska-Curie (MSCA), se propuso agilizar este proceso de análisis. Para ello se utilizó un instrumento de microscopía de flujo líquido llamado FlowCam. Niccolò Maffezzoli, beneficiario de una beca MSCA, trabajó en la idea conceptual y la plasmó en un prototipo. El FlowCam funciona fotografiando todas las partículas en una muestra de un testigo de hielo a medida que fluyen por el instrumento. La idea clave en que se basa ICELEARNING es utilizar, a continuación, https://www.sciencedirect.com/topics/computer-science/deep-neural-network (redes neuronales profundas)/aprendizaje automático avanzado para procesar, identificar y clasificar diferentes impurezas de forma automatizada. «Niccolò Maffezzoli conoció el instrumento FlowCam mientras visitaba un laboratorio en la https://www.uib.no/en (Universidad de Bergen)», explica Barbante. «Niccolò pensó que podría ayudar a los científicos que analizan testigos de hielo a identificar sus partículas respectivas al mismo tiempo y a desarrollar un marco que pueda aunar múltiples campos». La clave fue desarrollar una red neuronal profunda capaz de diferenciar y clasificar distintos tipos de partículas basándose en imágenes digitales. Para ello, tenían que recopilarse conjuntos de datos de entrenamiento para cada tipo de partícula. Se «alimentó» a la red con decenas de miles de imágenes para ayudarla a «aprender» a distinguir entre diferentes tipos de partículas. «Descubrimos que la red era capaz de clasificar partículas con una precisión muy elevada», comenta Barbante. «La utilizamos con muestras del proyecto GRIP (Greenland Ice core Project) con una antigüedad de entre 13 000 y 17 000 años».
Registros climáticos precisos
Barbante y su equipo realizaron varios descubrimientos. Lograron identificar partículas volcánicas de tefra de erupciones volcánicas, demostrando de forma eficaz la capacidad de su técnica de identificar erupciones volcánicas pasadas en registros de testigos de hielo. Además, se detectó la presencia de diatomeas (algas unicelulares que viven en los océanos) en muestras de hielo de los Andes peruanos. En conjunto, ICELEARNING logró demostrar cómo podría esta metodología respaldar los análisis de laboratorio mediante una reducción de los costes, el tiempo y el esfuerzo. Podrían abrirse asimismo nuevas líneas de investigación de partículas menos estudiadas, como esas diatomeas. «ICELEARNING fue básicamente un estudio piloto para demostrar la viabilidad de la idea», añade Barbante. «Los siguientes pasos incluyen la expansión de nuestro modelo para incluir otras partículas y el incremento del tamaño de las muestras empleadas». Barbante también espera que el proyecto pueda contribuir al éxito del proyecto Beyond EPICA Oldest Ice Core, financiado con fondos europeos, que ayuda a los científicos a crear registros de partículas con una antigüedad superior a un millón de años. Esto podría arrojar luz sobre numerosos aspectos del clima pasado de la Tierra.
Palabras clave
ICELEARNING, hielo, climático, polar, glaciares, FlowCam, volcánico, clima
