En studie av tyska forskare från Jena och Hamburg, publiceras idag i tidningen Natur , visar att artificiell intelligens (AI) avsevärt kan förbättra vår förståelse av klimatet och jordsystemet. Särskilt potentialen för djupinlärning har bara delvis uttömts hittills. Särskilt, komplexa dynamiska processer som orkaner, eldspridning, och vegetationsdynamik kan beskrivas bättre med hjälp av AI. Som ett resultat, klimat- och jordsystemmodeller kommer att förbättras, med nya modeller som kombinerar artificiell intelligens och fysisk modellering.

Under de senaste decennierna har främst statiska attribut undersökts med hjälp av maskininlärningsmetoder, såsom fördelningen av markegenskaper från lokal till global skala. Sedan en tid tillbaka, det har varit möjligt att hantera mer dynamiska processer genom att använda mer sofistikerade djupinlärningstekniker. Detta möjliggör till exempel att kvantifiera den globala fotosyntesen på land med samtidig övervägande av säsongs- och kortsiktiga variationer.

Avleda underliggande lagar från observationsdata

"Från en mängd sensorer, en översvämning av jordsystemdata har blivit tillgänglig, men hittills har vi halkat efter i analys och tolkning, "förklarar Markus Reichstein, VD för Max Planck Institute for Biogeochemistry i Jena, katalogstyrelseledamot i Michael-Stifel-Center Jena (MSCJ) och första författare till publikationen. "Det är här djupinlärningstekniker blir ett lovande verktyg, bortom de klassiska applikationerna för maskininlärning, till exempel bildigenkänning, naturlig språkbehandling eller AlphaGo, "tillägger medförfattare Joachim Denzler från Computer Vision Group vid Friedrich Schiller University Jena (FSU) och medlem i MSCJ. Exempel på tillämpning är extrema händelser som brandspridning eller orkaner, som är mycket komplexa processer påverkade av lokala förhållanden men också av deras tidsmässiga och rumsliga sammanhang. Detta gäller även atmosfär och sjötransport, jordrörelse, och vegetationsdynamik, några av de klassiska ämnena inom jordens systemvetenskap.

Artificiell intelligens för att förbättra klimat- och jordsystemmodeller

Dock, djupinlärningsmetoder är svåra. Alla datadrivna och statistiska tillvägagångssätt garanterar inte fysisk konsistens i sig, är mycket beroende av datakvalitet, och kan uppleva svårigheter med extrapolationer. Förutom, kravet på databehandling och lagringskapacitet är mycket högt. Publikationen diskuterar alla dessa krav och hinder och utvecklar en strategi för att effektivt kombinera maskininlärning med fysisk modellering. Om båda teknikerna sammanförs, så kallade hybridmodeller skapas. De kan till exempel användas för att modellera rörelse av havsvatten för att förutsäga havsytemperatur. Medan temperaturerna modelleras fysiskt, havsvattenrörelsen representeras av en metod för maskininlärning. "Tanken är att kombinera det bästa av två världar, fysiska modellers överensstämmelse med mångsidigheten i maskininlärning, att få starkt förbättrade modeller, "Markus Reichstein förklarar vidare.

Forskarna hävdar att upptäckt och tidig varning av extrema händelser samt säsongsbetonade och långsiktiga förutsägelser och prognoser av väder och klimat kommer att ha stor nytta av de diskuterade djupinlärnings- och hybridmodelleringsmetoderna.