I strävan efter att bättre förstå klimatförändringarna, det finns mycket vi fortfarande inte vet. Men frågan är inte om klimatförändringar sker. "Det vi ibland hör på nyheterna är politisk tillverkad osäkerhet, sa Auroop Ganguly, professor i civil- och miljöteknik vid nordöstra.

Istället, verklig klimatförändring osäkerhet härrör från utmaningen att simulera framtiden. Vad kommer att hända med Bostons elnät under långsiktiga extrema väderförhållanden? Hur skulle ett kraftverk i Phoenix påverkas av minskande regionala resurser? När ska Atlanta satsa på att uppdatera sin vatteninfrastruktur?

Nuvarande modeller är bra på att projicera regionala trender. Men för att förbereda mig tillräckligt för de framtida effekterna av klimatförändringarna, forskare måste zooma in på sårbara platser som kuststäder, hotade ekosystem, och andra specifika webbplatser.

I ett papper som presenterades i veckan på Association for Computing Machinery's Conference for Knowledge Discovery and Data Mining, forskare skisserade en ny strategi för att göra just det.

Thomas Vandal är doktorand i civil- och miljöteknik vid Northeastern och huvudförfattare till tidningen, som belönades med tvåan för bästa papper i spåret Applied Data Science. Vandal arbetade med Evan Kodra, VD för nordöstra spinout risQ, och NASA Ames samarbetspartners Sangram Ganguly, Andrew Michaelis, och Ramakrishna Nemani, och hans rådgivare Auroop Ganguly, att utveckla ett system som zoomar in på klimatdata för att producera projektioner med högre upplösning.

Att lära konstgjorda hjärnor att lära sig

Att simulera klimat är en övning i tidsresor. För att förutsäga framtiden, forskare måste först göra en inventering av det förflutna - med andra ord, de hindrar innan de kan förutsäga.

Vandal besökte NASA Ames Research Center där han samlade och analyserade historiska klimatdatauppsättningar som mäter variabler som temperatur, regn, och geografisk höjd, samt NASA:s omfattande satellitdata. För att krossa den här enorma mängden data, Vandal utnyttjade en maskin på NASA Ames som kallades Pleiades, en av världens mest kraftfulla superdatorer.

Teamets mål var att skapa en ram för nedskalning - eller zooma in - på historiska klimatuppsättningar. Detta skulle göra det möjligt för forskare att göra mer detaljerade, lokaliserade klimatprognoser.

Forskarna använde avancerad teknik för djupinlärning. Deep learning är en innovation av artificiella neurala nätverk - ett datorsystem som löst bygger på biologiska nervsystem. Djup inlärning tillåter artificiella neurala nätverk att känna igen mönster och utföra uppgifter.

Vandal, som gick med i Northeastern efter att ha arbetat för flera startups i Boston -området, har använt en relaterad teknik som kallas maskininlärning i industrin för ansiktsuttrycksanalys och känslomässig igenkänning. Men efter att ha träffat Auroop Ganguly, han insåg att tekniken kunde ta en mer dygdig väg genom att göra skillnad i klimatvetenskap, ett område han bryr sig djupt om.

"I stället för att använda maskininlärning för att få människor att klicka på annonser eller maximera sidvisningar, Jag bestämde mig för att lösa problem inom klimatvetenskap var en bättre användning av mina färdigheter och tid, Sa Vandal.

Resultatet av teamets forskning är ett ramverk som kallas DeepSD, som står för djup inlärningsbaserad statistisk nedskalning. Systemet hjälper till att fokusera olika klimatdatauppsättningar med olika detaljer.

"Dessa nedskalade datamängder kommer att ha ett oerhört värde för klimatforskare och ekoklimatiska modellerare som vill studera allt från ekosystemens påverkan till klimatförändringar för framtida uppvärmningsscenarier, sa Sangram Ganguly, en av studiens medförfattare och en senior forskare vid Bay Area Environmental Research Institute vid NASA Ames Research Center.

Och detta är bara början. Vandal tror att DeepSD -konceptet kan användas för att lösa en mängd olika klimatproblem, från att spåra extremt väder till att förutsäga katastrofhändelser med större självförtroende. I datavetenskapens värld, tekniken är fortfarande i sin linda.

"Datavetenskapsfältet förändras väldigt snabbt, "Auroop Ganguly sa." Ett år är som en geologisk ålder på andra områden. "