• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Naturen
    Möjligheter och gränser för AI i klimatmodellering

    Upphovsman:CC0 Public Domain

    Jordsystemmodeller är de viktigaste verktygen för att kvantitativt beskriva jordens fysiska tillstånd, och - till exempel i klimatmodeller - förutsäga hur det kan förändras i framtiden under påverkan av mänsklig verksamhet. Hur de alltmer använda metoderna för artificiell intelligens (AI) kan bidra till att förbättra dessa prognoser och var gränserna för de två tillvägagångssätten har nu undersökts av ett internationellt team som leds av Christopher Irrgang från German Research Center for Geosciences Potsdam (GFZ) i en artikel om perspektiv för tidskriften Nature Machine Intelligence . Ett nyckelförslag:Att slå ihop båda tillvägagångssätten till en självlärande "neural jordsystemmodellering".

    Jorden som system - en utmaning

    Jordens utveckling är ett komplext samspel mellan många faktorer, inklusive markytan med flora och fauna, haven med deras ekosystem, polarområdena, atmosfären, kolcykeln och andra biogeokemiska cykler, och strålningsprocesser. Forskare talar därför om jordsystemet.

    Med så många sammanlänkade sfärer och påverkansfaktorer, det är en stor utmaning att förutsäga framtida scenarier, som krävs, till exempel, inom ramen för forskning om klimatförändringar. "Enorma framsteg har gjorts här de senaste åren, "säger Christopher Irrgang, huvudförfattare till studien och postdoktoral forskare i avsnittet "Earth System Modeling" vid GFZ. Till exempel, IPCC:s nyligen publicerade sjätte utvärderingsrapport sammanfattar vår nuvarande kunskap om de framtida effekterna av olika utsläppsscenarier för växthusgaser mer detaljerat än någonsin tidigare.

    Rapporten bygger på, å ena sidan, om allt mer omfattande och detaljerade fynd från observationer och mätningar av jordsystemet för att bedöma tidigare uppvärmning och dess effekter, till exempel i form av ökande extrema händelser, och å andra sidan på ett stort antal simuleringar som utförts med toppmoderna jordsystemmodeller (ESM).

    Klassisk modellering av jordsystem med stora framsteg

    Klassiska jordmodellmodeller är baserade på både välkända och mindre kända fysiska lagar. Med hjälp av matematiska och numeriska metoder, tillståndet för ett system vid en framtida tid beräknas utifrån vad som är känt om systemets tillstånd vid en nuvarande eller förfluten tid.

    De underliggande modellerna har förbättrats kontinuerligt under de senaste decennierna:Ett oöverträffat antal delsystem och processer på jorden kan beaktas, inklusive - till viss del - sådana komplexa nyckelprocesser som effekterna av moln. Deras prestanda demonstreras, till exempel, genom att de noggrant kan spåra utvecklingen av globala medeltemperaturer sedan datainsamlingen började. I dag, Det är också möjligt att dra slutsatser om effekterna av klimatförändringar på regional nivå.

    Begränsningar

    Priset, dock, är att de allt mer komplexa ESM kräver enorma beräkningsresurser. Trots denna utveckling, även förutsägelserna för de senaste modellerna innehåller osäkerheter. Till exempel, de tenderar att underskatta styrkan och frekvensen av extrema händelser. Forskare befarar att abrupta förändringar kan inträffa i vissa delsystem på jorden, så kallade tippelement i klimatsystemet, som de klassiska modelleringsmetoderna inte kan förutsäga exakt. Och många viktiga processer, typ av markanvändning eller tillgången på vatten och näringsämnen, kan (ännu) inte representeras väl.

    Maskininlärningssätt går igenom

    Utmaningarna med klassiska ESM -tillvägagångssätt, men också de ständigt ökande mängden tillgängliga jordobservationer, öppna fältet för användning av artificiell intelligens. Detta inkluderar, till exempel, maskininlärning (ML) metoder som neurala nätverk, slumpmässiga skogar eller stödjande vektormaskiner. Deras fördel är att de är självlärande system som inte kräver kunskap om de-möjligen mycket komplexa eller inte ens helt kända-fysiska lagarna och relationerna. Istället, de tränas i stora datamängder för specifika uppgifter och lär sig själva den underliggande systematiken. Detta flexibla och kraftfulla koncept kan utökas till nästan vilken önskad komplexitet som helst.

    Till exempel, ett neuralt nätverk kan utbildas för att känna igen och klassificera mönster i satellitbilder, som molnstrukturer, havsvirvlar eller grödkvalitet. Eller så lär den sig att göra en väderprognos baserad på tidigare rekord, modeller och fysiska balansekvationer.

    "Även om de första studierna visade att maskininlärningskoncept kan användas för bildanalys redan i början av 1990 -talet, "Kambrium -explosionen" av AI i jord- och klimatvetenskap har bara ägt rum i cirka fem år, "Irrgang noterar. Inte minst för att mätpulverna och modelldata växer dagligen och fler och fler färdiga ML-bibliotek finns tillgängliga.

    Kan man lita på resultaten av artificiell intelligens?

    Dock, återstår att se i vilken utsträckning detta självlärande tillvägagångssätt faktiskt kan förlänga eller till och med ersätta klassiska modelleringsmetoder. Eftersom maskininlärning också-fortfarande-har sina fallgropar:"Många av dagens ML-applikationer för klimatvetenskap är proof-of-concept-studier som fungerar i en förenklad miljö. Ytterligare forskning kommer att berätta hur väl detta lämpar sig för operativ och pålitlig användning, "Irrgang summerar.

    En annan avgörande aspekt:​​Som i en svart låda, ingång och utgång är kända, men processerna bakom dem för att få kunskap är inte det. Detta orsakar problem med att validera resultaten för fysisk konsistens, även om de verkar trovärdiga. "Tolkbarhet och förklarbarhet är viktiga frågor i samband med maskininlärning som måste förbättras i framtiden för att stärka transparens och förtroende för metoden. Speciellt när resultaten av förutsägelserna är en viktig grund för politiska beslut, som är fallet inom klimatforskning, "betona författarna till studien.

    Ett nytt och snabbt utvecklande tredje sätt:Hybrider av ESM och AI

    I denna publikation, teamet kring matematikern föreslår ett tredje sätt:Sammanfogningen av de två tillvägagångssätt som diskuterats ovan i en "neural Earth system modellering." På det här sättet, respektive styrkor kan kombineras och deras gränser utvidgas. De första lovande stegen på denna väg har redan tagits. Till exempel, ML används inte längre bara för ren dataanalys, men också att ta över eller påskynda vissa processsteg inom ramen för klassiska ESM. Detta skulle då frigöra beräkningskapacitet som kan flöda till ytterligare modellförbättringar.

    I framtiden, nya gränssnitt kan skapa ett dynamiskt informationsutbyte mellan de två tillvägagångssätten så att de kontinuerligt förbättrar varandra. Denna djupa förlängning av klassisk processbaserad jord- och klimatforskning lyfter Neural Earth System Modeling till en ny och snabbt framväxande forskningsgren. Kärnan är ett hybridsystem som kan testa, korrekt, och förbättra deras fysiska konsistens och, Således, möjliggöra mer exakta förutsägelser av geofysiska och klimatrelevanta processer.

    För närvarande, Irrgang och hans kollegor drar slutsatsen att AI och hybridmetoden fortfarande innehåller höga risker och fallgropar, och det är långt ifrån klart att den nuvarande hypen kring användningen av artificiell intelligens - åtminstone på egen hand - kommer att lösa jordens och klimatforskningens öppna problem. Hur som helst, dock, det är värt att följa denna väg. För att detta ska hända, dock, nära samarbete mellan klimat- och jordforskning å ena sidan och AI -experter å andra sidan kommer att bli allt viktigare.


    © Vetenskap https://sv.scienceaq.com