Como a IA está ajudando cientistas a entender como o carbono orgânico dissolvido se move no oceano

A Inteligência Artificial (IA) é frequentemente culpada pela criação de desinformação e pelos seus impactos ambientais nocivos, mas também apresenta muitos aspectos positivos, como auxiliar cientistas a avançar em áreas que, de outra forma, seriam inacessíveis com os métodos atuais.

Como os pesquisadores da Universidade de Manchester, que visualizaram como o carbono se move nos sedimentos oceânicos usando uma nova abordagem de IA baseada em princípios da física. Pela primeira vez, eles conseguem fazer previsões precisas em escala global sobre como o carbono orgânico dissolvido se move entre a água do mar e os sedimentos marinhos, uma parte fundamental, porém antes não quantificável, do ciclo do carbono no planeta.

Mantendo a simplicidade

O estudo demonstra que algoritmos de IA relativamente simples podem imitar com sucesso modelos ambientais mecanísticos complexos, que normalmente são muito demorados, computacionalmente exigentes demais para serem executados em escala global e instáveis sob diversas condições do mundo real.

Para superar esse obstáculo, a equipe treinou "emuladores" de IA para replicar o desempenho de modelos mecanísticos existentes que descrevem o ciclo do carbono em sedimentos oceânicos. Esses emuladores podem ser usados globalmente para prever o comportamento do carbono dissolvido em uma resolução e escala impossíveis com o modelo atual.

O estudo fornece a primeira quantificação global do ciclo do carbono orgânico dissolvido em sedimentos, revelando que 11% do carbono orgânico particulado que se deposita no fundo do mar retorna à água do mar como carbono orgânico dissolvido. Outros 24% são assimilados por minerais, e quase metade de todo o carbono orgânico em fase sólida no metro superior dos sedimentos marinhos tem origem no carbono dissolvido adsorvido ou incorporado por minerais.

O estudo também enfatiza a importância do carbono orgânico dissolvido no balanço de carbono de longo prazo da Terra.

Confirmação por comparação

Para desenvolver a estrutura de modelagem, os pesquisadores compararam arquiteturas de aprendizado profundo, modelos de floresta aleatória e redes neurais artificiais de propagação direta mais simples; eles descobriram – inesperadamente – que os algoritmos mais simples produziam as previsões mais precisas.

Isso foi confirmado pela verificação das saídas do emulador em mapas globais de baixa resolução, onde o modelo mecanístico atual permaneceu numericamente solucionável, e em soluções algébricas para variáveis com expressões analíticas conhecidas.

Os pesquisadores descobriram que o aumento da complexidade das estruturas da rede neural levava consistentemente a uma menor precisão de previsão, fornecendo um raro suporte prático para o Princípio da Parcimônia – ou Navalha de Occam – no desenvolvimento de modelos de IA.

E isso tem implicações importantes para a ciência climática, já que a quantificação dos balanços de carbono na interface sedimento-água é crucial para a compreensão da dinâmica climática global. Anteriormente, isso era dificultado por limitações computacionais, mas essa estrutura rápida, escalável e precisa pode ser incluída em modelos de circulação global e usada para explorar potenciais estratégias de mitigação das mudanças climáticas baseadas nos oceanos.

“A estrutura de modelagem desenvolvida neste estudo pode desempenhar um papel substancial na simulação computacional de potenciais cenários de mitigação das mudanças climáticas nos oceanos. Com essa abordagem, podemos finalmente explorar processos de ciclagem de carbono em escala global que antes eram impossíveis de quantificar”, afirmou o Dr. Peyman Babakhani, professor de Engenharia Geoambiental, que liderou o trabalho.

A pesquisa também oferece novas maneiras de simular e testar como os reservatórios de carbono marinho podem responder às mudanças ambientais nas próximas décadas.

Referência da notícia

Global cycling of dissolved organic carbon between seawater and sediments quantified using physics-based artificial intelligence. 25 de março, 2026. Babakhani, et al.