Terwijl de planeet verder opwarmt, de gevolgen van klimaatverandering nemen toe. in 2016, er waren 772 weers- en rampen, driemaal zoveel als in 1980. Twintig procent van de soorten wordt momenteel met uitsterven bedreigd, en dat aantal zou kunnen stijgen tot 50 procent in 2100. En zelfs als alle landen hun klimaatbeloften van Parijs nakomen, tegen 2100, het is waarschijnlijk dat de gemiddelde temperatuur op aarde 3˚C hoger zal zijn dan in pre-industriële tijden.

Maar we hebben een nieuwe tool waarmee we de gevolgen van klimaatverandering beter kunnen beheersen en de planeet kunnen beschermen:kunstmatige intelligentie (AI). AI verwijst naar computersystemen die "hun omgeving kunnen waarnemen, denken, leren, en handelen in reactie op wat ze voelen en hun geprogrammeerde doelstellingen, " volgens een rapport van het World Economic Forum, Gebruikmaken van kunstmatige intelligentie voor de aarde, geschreven door PwC UK.

In India, AI heeft boeren geholpen om 30 procent hogere aardnotenopbrengsten per hectare te krijgen door informatie te verstrekken over het voorbereiden van het land, bemesten en zaaidata kiezen. In Noorwegen, AI hielp bij het creëren van een flexibel en autonoom elektriciteitsnet, meer duurzame energie te integreren.

En AI heeft onderzoekers geholpen om 89 tot 99 procent nauwkeurigheid te bereiken bij het identificeren van tropische cyclonen, weerfronten en atmosferische rivieren, de laatste kunnen zware neerslag veroorzaken en zijn vaak moeilijk voor mensen om alleen te identificeren. Door de weersvoorspellingen te verbeteren, dit soort programma's kunnen mensen helpen beschermen.

Wat zijn kunstmatige intelligentie, machine learning en deep learning?

Kunstmatige intelligentie bestaat al sinds het einde van de jaren vijftig, maar vandaag, De capaciteiten van AI verbeteren snel dankzij verschillende factoren:de enorme hoeveelheden gegevens die worden verzameld door sensoren (in apparaten, voertuigen, kleding, enzovoort.), satellieten en internet; de ontwikkeling van krachtigere en snellere computers; de beschikbaarheid van open source software en data; en de toename van overvloedig, goedkope opslag. AI kan nu snel patronen onderscheiden die mensen niet kunnen, efficiënter voorspellingen doen en beter beleid aanbevelen.

De heilige graal van onderzoek naar kunstmatige intelligentie is kunstmatige algemene intelligentie, wanneer computers kunnen redeneren, abstract, begrijpen en communiceren als mensen. Maar we zijn er nog lang niet - het duurt 83, 000 processors 40 minuten om te berekenen wat één procent van het menselijk brein in één seconde kan berekenen. Wat er vandaag bestaat, is smalle AI, die taakgericht is en in staat is om sommige dingen te doen, soms beter dan mensen kunnen, zoals het herkennen van spraak of beelden en het voorspellen van het weer. Schaken en afbeeldingen classificeren, zoals bij het taggen van mensen op Facebook, zijn voorbeelden van smalle AI.

Wanneer Netflix en Amazon shows en producten aanbevelen op basis van onze aankoopgeschiedenis, ze gebruiken machine learning. machinaal leren, die voortkwam uit eerdere AI, omvat het gebruik van algoritmen (reeksen regels die moeten worden gevolgd om een ​​probleem op te lossen) die van gegevens kunnen leren. Hoe meer gegevens het systeem analyseert, hoe nauwkeuriger het wordt naarmate het systeem zijn eigen regels ontwikkelt en de software evolueert om zijn doel te bereiken.

Diep leren, een subset van machine learning, omvat neurale netwerken die bestaan ​​uit meerdere lagen verbindingen of neuronen, net als het menselijk brein. Elke laag heeft een aparte taak en naarmate informatie passeert, de neuronen geven het een gewicht op basis van zijn nauwkeurigheid ten opzichte van de toegewezen taak. Het eindresultaat wordt bepaald door het totaal van de gewichten.

Deep learning stelde een computersysteem in staat om erachter te komen hoe een kat kon worden geïdentificeerd - zonder enige menselijke inbreng over kattenkenmerken - na het "zien" van 10 miljoen willekeurige afbeeldingen van YouTube. Omdat deep learning in wezen plaatsvindt in een "black box" door middel van zelflerende en evoluerende algoritmen, echter, wetenschappers weten vaak niet hoe een systeem tot zijn resultaten komt.

Kunstmatige intelligentie is een gamechanger

Microsoft is van mening dat kunstmatige intelligentie, vaak machine learning en deep learning, is een "game changer" voor klimaatverandering en milieukwesties. Het AI for Earth-programma van het bedrijf heeft in vijf jaar $ 50 miljoen toegezegd om nieuwe toepassingen voor AI te maken en te testen. Uiteindelijk zal het helpen om de meest veelbelovende projecten op te schalen en te commercialiseren.

Maria Uriarte van de Columbia University, een hoogleraar ecologie, Evolutie en milieubiologie, en Tian Zheng, hoogleraar statistiek aan het Data Science Institute, ontving een Microsoft-beurs om de effecten van orkaan Maria op het El Yunque National Forest in Puerto Rico te bestuderen. Uriarte en haar collega's willen weten hoe tropische stormen, die kan verergeren door klimaatverandering, invloed hebben op de verspreiding van boomsoorten in Puerto Rico.

De winden van orkaan Maria hebben duizenden hectaren regenwoud beschadigd, de enige manier om te bepalen welke boomsoorten zijn vernietigd en welke de orkaan op zo'n grote schaal hebben doorstaan, is door het gebruik van afbeeldingen. in 2017, een NASA-viaduct van Puerto Rico leverde foto's met een zeer hoge resolutie van de boomtoppen op. Maar hoe is het mogelijk om de ene soort van de andere te onderscheiden door van bovenaf naar een groene massa te kijken over zo'n groot gebied? Het menselijk oog zou het theoretisch kunnen doen, maar het zou een eeuwigheid duren om de duizenden afbeeldingen te verwerken.

Het team gebruikt kunstmatige intelligentie om de foto's met hoge resolutie te analyseren en ze te matchen met de gegevens van Uriarte - ze heeft elke afzonderlijke boom in bepaalde plots in kaart gebracht en geïdentificeerd. Met behulp van de grondinformatie van deze specifieke percelen, AI kan achterhalen hoe de verschillende soorten bomen er van bovenaf uitzien in de viaductbeelden. "Dan kunnen we die informatie gebruiken om te extrapoleren naar een groter gebied, " legde Uriarte uit. "We gebruiken de plotgegevens zowel om te leren [d.w.z. om het algoritme te trainen] en om te valideren [hoe goed het algoritme presteert]."

Begrijpen hoe de verspreiding en samenstelling van bossen veranderen als reactie op orkanen is belangrijk, want wanneer bossen worden beschadigd, vegetatie ontleedt en stoot meer CO2 uit in de atmosfeer. Als bomen teruggroeien, omdat ze kleiner zijn, ze slaan minder koolstof op. Als klimaatverandering leidt tot extremere stormen, sommige bossen zullen niet herstellen, er wordt minder koolstof opgeslagen, en er zal meer koolstof in de atmosfeer achterblijven, opwarming van de aarde verergeren.

Uriarte zegt dat haar werk niet zou kunnen zonder kunstmatige intelligentie. "AI gaat een revolutie teweegbrengen in dit veld, "zei ze. "Het wordt steeds belangrijker voor alles wat we doen. Het stelt ons in staat om vragen te stellen op een schaal die we niet van onderaf zouden kunnen stellen. Er is maar zoveel dat men [op de grond] kan doen … en dan zijn er gebieden die gewoon niet toegankelijk zijn. Met de viaducten en de AI-tools kunnen we orkanen op een heel andere manier bestuderen. Het is superspannend."

Een ander project, benoemd tot Protection Assistant for Wildlife Security (PAWS) van de University of Southern California, gebruikt machine learning om te voorspellen waar stroperij in de toekomst kan plaatsvinden. Momenteel analyseert het algoritme eerdere patrouilles van rangers en het gedrag van stropers op basis van misdaadgegevens; een Microsoft-subsidie ​​​​zal helpen om het te trainen om realtime gegevens op te nemen, zodat rangers hun patrouilles kunnen verbeteren.

In de staat Washington, Lang leve de koningen probeert de afnemende populaties steelhead en zalm te herstellen. Met een subsidie ​​van Microsoft, de organisatie zal een ecosysteemmodel verbeteren dat gegevens verzamelt over de groei van zalm en steelhead, volgt bewegingen van vissen en zeezoogdieren, en bewaakt de maritieme omstandigheden. Het model helpt de broederij te verbeteren, oogst, en ecosysteembeheer, en ondersteuning van inspanningen voor de bescherming en het herstel van habitats.

Hoe AI wordt gebruikt voor energie

AI wordt steeds vaker gebruikt om de intermitterendheid van hernieuwbare energie te beheren, zodat er meer in het net kan worden opgenomen; het kan stroomschommelingen aan en verbetert ook de energieopslag.

Het SLAC National Accelerator Laboratory van het Department of Energy, beheerd door Stanford University, zal machine learning en kunstmatige intelligentie gebruiken om kwetsbaarheden in het netwerk te identificeren, versterken ze voorafgaand aan mislukkingen, en herstel de stroom sneller wanneer er storingen optreden. Het systeem zal eerst een deel van het net in Californië bestuderen, het analyseren van gegevens uit hernieuwbare energiebronnen, batterij opslag, en satellietbeelden die kunnen laten zien waar bomen die over hoogspanningslijnen groeien, problemen kunnen veroorzaken bij een storm. Het doel is om een ​​netwerk te ontwikkelen dat duurzame energie automatisch kan beheren zonder onderbrekingen en kan herstellen van systeemstoringen met weinig menselijke tussenkomst.

Windbedrijven gebruiken AI om ervoor te zorgen dat de propeller van elke turbine meer elektriciteit per omwenteling produceert door realtime weers- en operationele gegevens op te nemen. Op grote windparken, de propellers van de eerste rij creëren een zog die de efficiëntie van degenen achter hen vermindert. AI stelt elke afzonderlijke propeller in staat om de windsnelheid en -richting van andere propellers te bepalen, en dienovereenkomstig aanpassen.

Onderzoekers van het Department of Energy en National Oceanic and Atmospheric Administration (NOAA) gebruiken AI om de atmosferische omstandigheden beter te begrijpen om de energie-output van windparken nauwkeuriger te projecteren.

Kunstmatige intelligentie kan de energie-efficiëntie verbeteren, te. Google gebruikte machine learning om te voorspellen wanneer de energie van zijn datacenters het meest gevraagd was. Het systeem analyseerde en voorspelde wanneer gebruikers het meest waarschijnlijk datazuigende YouTube-video's zouden bekijken, bijvoorbeeld, en kon vervolgens de benodigde koeling optimaliseren. Als resultaat, Google verminderde zijn energieverbruik met 40 procent.

Steden leefbaarder en duurzamer maken

AI kan ook de energie-efficiëntie op stadsschaal verbeteren door gegevens van slimme meters en het internet der dingen (het internet van computerapparaten die zijn ingebed in alledaagse objecten, waardoor ze gegevens kunnen verzenden en ontvangen) om de energievraag te voorspellen. In aanvulling, kunstmatige-intelligentiesystemen kunnen potentiële bestemmingsplannen simuleren, bouwverordeningen, en uiterwaarden om te helpen bij stadsplanning en rampenparaatheid. Een visie voor een duurzame stad is om een ​​"stedelijk dashboard" te creëren dat bestaat uit realtime gegevens over het gebruik en de beschikbaarheid van energie en water, verkeer en weer om steden energiezuiniger en leefbaarder te maken.

In China, IBM's Green Horizon-project gebruikt een AI-systeem dat luchtvervuiling kan voorspellen, bronnen van verontreiniging opsporen en mogelijke strategieën ontwikkelen om ermee om te gaan. Het kan bepalen of, bijvoorbeeld, het zou effectiever zijn om het aantal chauffeurs te beperken of bepaalde elektriciteitscentrales te sluiten om de vervuiling in een bepaald gebied te verminderen.

Een ander IBM-systeem in ontwikkeling kan steden helpen bij het plannen van toekomstige hittegolven. AI zou het klimaat op stedelijke schaal simuleren en verschillende strategieën onderzoeken om te testen hoe goed ze hittegolven verlichten. Bijvoorbeeld, als een stad nieuwe bomen wilde planten, machinale leermodellen kunnen de beste plaatsen bepalen om ze te planten om een ​​optimale boombedekking te krijgen en de hitte van de bestrating te verminderen.

Slimme landbouw

Hogere temperaturen zullen ook grote gevolgen hebben voor de landbouw.

Gegevens van sensoren in het veld die het gewasvocht monitoren, bodemsamenstelling en temperatuur helpen AI om de productie te verbeteren en te weten wanneer gewassen water nodig hebben. Door deze informatie te integreren met die van drones, die ook worden gebruikt om de omstandigheden te bewaken, kan helpen steeds meer automatische AI-systemen te weten wat de beste tijden zijn om te planten, gewassen sproeien en oogsten, en wanneer ziekten en andere problemen moeten worden voorkomen. Dit zal resulteren in een verhoogde efficiëntie, verbeterde opbrengsten, en een lager waterverbruik, kunstmest en bestrijdingsmiddelen.

De oceanen beschermen

De Ocean Data Alliance werkt met machine learning om gegevens van satellieten en oceaanexploratie te leveren, zodat besluitvormers de scheepvaart kunnen volgen, oceaan mijnbouw, vissen, koraalverbleking of het uitbreken van een zeeziekte. Met bijna realtime gegevens, besluitvormers en autoriteiten zullen sneller op problemen kunnen reageren. Kunstmatige intelligentie kan ook helpen bij het voorspellen van de verspreiding van invasieve soorten, volg zwerfvuil op zee, zeestromingen volgen, dode zones bijhouden en vervuilingsniveaus meten.

The Nature Conservancy werkt samen met Microsoft aan het gebruik van AI om oceaanrijkdom in kaart te brengen. Evaluatie van de economische waarde van ecosysteemdiensten in de oceaan, zoals het oogsten van zeevruchten, koolstof opslag, toerisme en meer, zullen betere beslissingen op het gebied van natuurbehoud en planning mogelijk maken. De gegevens zullen worden gebruikt om modellen te bouwen die rekening houden met voedselzekerheid, banencreatie en visserijopbrengsten om de waarde van ecosysteemdiensten onder verschillende omstandigheden aan te tonen. Dit kan besluitvormers helpen bij het bepalen van de belangrijkste gebieden voor visproductiviteit en instandhoudingsinspanningen, evenals de afwegingen van mogelijke beslissingen. Het project heeft al kaarten en modellen voor Micronesië, de Caraïben, Florida, en breidt uit naar Australië, Haïti, en Jamaica.

Duurzamer vervoer over land

Naarmate voertuigen met elkaar en met de infrastructuur kunnen communiceren, kunstmatige intelligentie helpt bestuurders om gevaren en files te vermijden. In Pittsburgh, een kunstmatige-intelligentiesysteem met sensoren en camera's die de verkeersstroom in de gaten houdt, past verkeerslichten aan wanneer dat nodig is. De systemen werken op 50 kruispunten met plannen voor nog eens 150, en hebben de reistijd al met 25 procent verminderd en het stationair draaien met meer dan 40 procent. Minder stationair, natuurlijk, betekent minder uitstoot van broeikasgassen.

Eventueel, autonome AI-gestuurde gedeelde transportsystemen kunnen persoonlijke voertuigen vervangen.

Betere klimaatvoorspellingen

Naarmate het klimaat verandert, nauwkeurige projecties worden steeds belangrijker. Echter, klimaatmodellen geven vaak heel verschillende voorspellingen, grotendeels vanwege de manier waarop gegevens worden opgesplitst in afzonderlijke delen, hoe processen en systemen aan elkaar zijn gekoppeld, en vanwege de grote verscheidenheid aan ruimtelijke en temporele schalen. De rapporten van het Intergouvernementeel Panel over klimaatverandering (IPCC) zijn gebaseerd op veel klimaatmodellen en tonen het scala aan voorspellingen, die vervolgens worden uitgemiddeld.

Door ze uit te middelen, echter, betekent dat elk klimaatmodel een gelijk gewicht krijgt. AI helpt te bepalen welke modellen betrouwbaarder zijn door extra gewicht toe te kennen aan degenen waarvan de voorspellingen uiteindelijk nauwkeuriger blijken te zijn, en minder gewicht voor degenen die slecht presteren. Dit zal de nauwkeurigheid van klimaatveranderingsprognoses helpen verbeteren.

AI en deep learning verbeteren ook de weersvoorspelling en de voorspelling van extreme gebeurtenissen. Dat komt omdat ze veel meer van de echte complexiteit van het klimaatsysteem kunnen bevatten, zoals atmosferische en oceaandynamiek en oceaan- en atmosferische chemie, in hun berekeningen. Dit verscherpt de precisie van weer- en klimaatmodellering, simulaties nuttiger maken voor besluitvormers.

AI heeft veel andere toepassingen

AI kan helpen om ecosystemen en dieren in het wild en hun interacties te monitoren. De hoge verwerkingssnelheden kunnen bijna realtime satellietgegevens bieden om illegale houtkap in bossen op te sporen. AI kan de drinkwaterkwaliteit bewaken, beheer van huishoudelijk watergebruik, ondergrondse lekken in drinkwatervoorzieningssystemen op te sporen, en voorspellen wanneer waterplanten onderhoud nodig hebben. Het kan ook weersomstandigheden en natuurrampen simuleren om kwetsbaarheden in rampenplanning te vinden, bepalen welke strategieën voor rampenbestrijding het meest effectief zijn, en zorgen voor realtime coördinatie bij rampen.

Wat zijn de risico's van kunstmatige intelligentie?

Hoewel AI ons in staat stelt om de gevolgen van klimaatverandering beter te beheersen en het milieu te beschermen, naast het transformeren van de bedrijfssectoren, financiën, gezondheidszorg, medicijn, wet, onderwijs en meer, het is niet zonder risico's. Enkele prominente personen zoals wijlen natuurkundige Stephen Hawking en Tesla CEO Elon Musk hebben gewaarschuwd voor de existentiële gevaren van ongecontroleerde kunstmatige intelligentie.

Het rapport van het World Economic Forum identificeerde zes categorieën van AI-risico:

• Uitvoering. De black box-conclusies van AI zijn mogelijk niet begrijpelijk voor mensen en daarom kan het onmogelijk zijn om te bepalen of ze nauwkeurig of wenselijk zijn. Deep learning kan riskant zijn voor toepassingen zoals systemen voor vroegtijdige waarschuwing voor natuurrampen waar meer zekerheid nodig is.
• Veiligheid. AI kan mogelijk worden gehackt, waardoor slechte actoren zich met energie kunnen bemoeien, vervoer, vroegtijdige waarschuwing of andere cruciale systemen.
• Beheers risico's. Omdat AI-systemen autonoom samenwerken, ze kunnen onvoorspelbare resultaten opleveren. Bijvoorbeeld, twee systemen kwamen met een eigen taal die mensen niet konden begrijpen.
• Economische risico's. Bedrijven die KI langzamer adopteren, kunnen economische gevolgen ondervinden naarmate hun op KI gebaseerde concurrentie toeneemt. We zien nu al hoe fysieke winkels sluiten naarmate de economie steeds digitaler wordt.
• Sociaal risico. AI zorgt voor meer automatisering, waardoor banen op bijna elk gebied verdwijnen. Autonome wapensystemen kunnen ook mondiale conflicten bespoedigen en verergeren.
• Ethische risico's. Omdat AI afgeleide aannames over groepen en gemeenschappen gebruikt bij het nemen van beslissingen, het zou kunnen leiden tot een grotere vooringenomenheid. Het verzamelen van gegevens roept ook privacyproblemen op.

Om met deze risico's om te gaan, het World Economic Forum stelt dat overheid en industrie "moeten zorgen voor de veiligheid, verklaarbaarheid, transparantie en validiteit van AI-toepassing." Meer interactie tussen publieke en private entiteiten, technologen, beleidsmakers en zelfs filosofen, en er zijn meer investeringen in onderzoek nodig om de potentiële risico's van kunstmatige intelligentie af te wenden - en om de potentiële voordelen ervan voor het milieu en de mensheid te realiseren.

Dit verhaal is opnieuw gepubliceerd met dank aan Earth Institute, Columbia University http://blogs.ei.columbia.edu.