Detta diagram visar området som täcks av SWOT-satelliten efter tre dagar i omloppsbana. Även om SWOT tillåter mätningar med hög noggrannhet, närliggande områden i havet provtas inte lika ofta. Kredit:C. Ubelmann/CLS
Från filmförslag till självkörande fordon, maskininlärning har revolutionerat det moderna livet. Experter använder det nu för att hjälpa till att lösa ett av mänsklighetens största problem:klimatförändringarna.
Med maskininlärning, vi kan använda vårt överflöd av historiska klimatdata och observationer för att förbättra förutsägelser om jordens framtida klimat. Och dessa förutsägelser kommer att ha en stor roll för att minska vår klimatpåverkan under de kommande åren.
Vad är maskininlärning?
Maskininlärning är en gren av artificiell intelligens. Även om det har blivit något av ett modeord, det är i huvudsak en process för att extrahera mönster från data.
Maskininlärningsalgoritmer använder tillgängliga datamängder för att utveckla en modell. Denna modell kan sedan göra förutsägelser baserat på nya data som inte var en del av den ursprungliga datamängden.
Tillbaka till vårt klimatproblem, Det finns två huvudsakliga tillvägagångssätt genom vilka maskininlärning kan hjälpa oss att förbättra vår förståelse av klimatet:observationer och modellering.
På senare år har mängden tillgänglig data från observations- och klimatmodeller har växt exponentiellt. Det är omöjligt för människor att gå igenom allt. Lyckligtvis, maskiner kan göra det åt oss.
Observationer från rymden
Satelliter övervakar kontinuerligt havets yta, ge forskare användbar insikt i hur havsflöden förändras.
En konstnärs intryck av SWOT-satelliten. Kredit:NASA/CERN, CC BY
NASA:s Surface Water and Ocean Topography (SWOT) satellituppdrag – planerad att lanseras sent nästa år – syftar till att observera havsytan i oöverträffad detalj jämfört med nuvarande satelliter.
Men en satellit kan inte observera hela havet på en gång. Den kan bara se delen av havet under den. Och SWOT-satelliten kommer att behöva 21 dagar för att gå över varje punkt runt om i världen.
Finns det något sätt att fylla i de saknade uppgifterna, så vi kan ha en fullständig global bild av havets yta vid varje givet ögonblick?
Det är här maskininlärning kommer in. Algoritmer för maskininlärning kan använda data som hämtas av SWOT-satelliten för att förutsäga de data som saknas mellan varje SWOT-revolution.
Hinder i klimatmodellering
Observationer informerar oss om nuet. Dock, för att förutsäga framtida klimat måste vi förlita oss på heltäckande klimatmodeller.
Den senaste klimatrapporten från IPCC bygger på klimatprognoser från olika forskargrupper över hela världen. Dessa forskare körde en mängd klimatmodeller som representerade olika utsläppsscenarier som gav prognoser hundratals år in i framtiden.
För att modellera klimatet, datorer överlagrar ett beräkningsnät på haven, atmosfär och land. Sedan, genom att börja med dagens klimat, de kan lösa ekvationerna för vätske- och värmerörelse inom varje ruta i detta rutnät för att modellera hur klimatet kommer att utvecklas i framtiden.
Storleken på varje ruta i rutnätet är vad vi kallar modellens "upplösning". Ju mindre lådans storlek är, desto finare flödesdetaljer kan modellen fånga.
Här, du kan se havsströmmar modellerade med två olika upplösningar. Till vänster finns en modell som liknar de som vanligtvis används för klimatprognoser. Modellen till höger är mycket mer exakt och realistisk, men är tyvärr för beräkningsmässigt restriktiv för att kunna användas för klimatprognoser. Kredit:COSIMA, Författare tillhandahålls
Men att köra klimatmodeller som projicerar fram hundratals år får även de mest kraftfulla superdatorerna på knä. Således, vi är för närvarande tvungna att köra dessa modeller med en grov upplösning. Faktiskt, det är ibland så grovt att flödet inte ser ut som det verkliga livet.
Till exempel, Havsmodeller som används för klimatprojektioner ser vanligtvis ut som den till vänster nedan. Men i verkligheten, havsflödet ser mycket mer ut som bilden till höger.
Tyvärr, vi har för närvarande inte den beräkningskraft som behövs för att köra högupplösta och realistiska klimatmodeller för klimatprognoser.
Klimatforskare försöker hitta sätt att införliva effekterna av böterna, småskaliga turbulenta rörelser i bilden ovan till höger in i den grovupplösta klimatmodellen till vänster.
Om vi kan göra detta, vi kan generera klimatprognoser som är mer exakta, men ändå beräkningsmässigt genomförbart. Detta är vad vi refererar till som "parameterisering" - klimatmodelleringens heliga graal.
Helt enkelt, det är då vi kan uppnå en modell som inte nödvändigtvis inkluderar alla mindre komplexa flödesfunktioner (som kräver enorma mängder processorkraft) – men som ändå kan integrera deras effekter i den övergripande modellen på ett enklare och billigare sätt.
En tydligare bild
Vissa parametreringar finns redan i modeller med grov upplösning, men gör ofta inte ett bra jobb med att integrera de mindre flödesfunktionerna på ett effektivt sätt.
Maskininlärningsalgoritmer kan använda utdata från realistiska, högupplösta klimatmodeller (som den till höger ovan) för att utveckla mycket mer exakta parametreringar.
När vår beräkningskapacitet växer – tillsammans med vår klimatdata – kommer vi att kunna använda allt mer sofistikerade maskininlärningsalgoritmer för att sålla igenom denna information och leverera förbättrade klimatmodeller och prognoser.
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln. 
