IceBoost v2.0: modelo de IA mapeia espessura dos glaciares e afeta projeções do nível do mar

IceBoost v2.0, um modelo baseado em machine learning desenvolvido por pesquisadores da Università Ca' Foscari Venezia em parceria com o Cnr-Isp, reconstrói de forma abrangente a distribuição e a espessura dos glaciares terrestres. Treinado com mais de 7 milhões de medições diretas e cruzado com 26 variáveis físicas e geométricas — como velocidade do gelo, temperaturas locais, inclinação e curvatura do terreno — o sistema traz uma nova camada de precisão à cartografia glacial.

Os resultados foram publicados na revista Scientific Data do grupo Nature. Segundo a equipe liderada por Niccolò Maffezzoli, o modelo estima que os glaciares inclusos no Randolph Glacier Inventory armazenam cerca de 150 mil km³ de gelo, equivalentes a um potencial de elevação média do nível do mar de 32,3 centímetros em caso de derretimento total. A exceção são as calotas polares da Antártida e da Groenlândia, que não fazem parte do inventário utilizado.

Comparado a mapeamentos anteriores, o IceBoost v2.0 apresenta melhorias de precisão de até 40% na aderência a levantamentos de campo. Um exemplo notável ocorreu no Geikie Plateau, na Groenlândia oriental, onde o novo levantamento detectou um volume de gelo quase duas vezes maior do que estimativas anteriores para áreas com espessuras que chegam a 2 km.

Os dados estão disponíveis publicamente por meio de uma web-app interativa para exploração dos parâmetros globais: https://nmaffe.github.io/iceboost_webapp/. A transparência do conjunto permite que modeladores climáticos integrem uma representação mais realista do estado atual dos glaciares em suas simulações.

Na perspectiva metodológica, Maffezzoli ressalta que a distribuição do espessamento do gelo é uma variável fundamental para modelos glaciológicos e climáticos. Equipamentos modelísticos do Glacier Model Intercomparison Project (GlacierMIP4), que apoiam as próximas avaliações do IPCC para projeções até 2100, adotarão o IceBoost v2.0 como a representação de referência do estado atual dos glaciares.

Além de refinar volumes e espessuras, o conjunto de dados identifica zonas com maiores margens de incerteza que demandam campanhas de levantamento adicionais — entre elas o Himalaia, o Karakoram e os campos de gelo da Patagônia. Esses indicadores são essenciais não só para previsões de contribuição ao nível do mar, mas também para a gestão de reservatórios de água doce dos quais dependem cerca de 1,9 bilhão de pessoas no planeta.

Do ponto de vista de infraestrutura digital, o IceBoost v2.0 representa um exemplo de como camadas de inteligência e fluxo de dados atuam como alicerces para políticas públicas climáticas: um algoritmo que opera como infraestrutura, oferecendo uma base mensurável para decisões sobre adaptação, segurança hídrica e planejamento costeiro. Ao mapear o espessamento dos glaciares com maior fidelidade, o modelo reduz a incerteza nas projeções e evidencia onde a observação física ainda precisa reforço.

Em termos práticos, pesquisadores e gestores passam a contar com um mapa mais robusto do estoque de gelo terrestre, que pode informar desde cenários de elevação do nível do mar até estratégias locais de proteção de bacias e planejamento urbano costeiro — refletindo a maneira como a arquitetura digital e os modelos de IA sustentam, silenciosamente, a resiliência das cidades e regiões vulneráveis.