Een studie door Duitse wetenschappers uit Jena en Hamburg, vandaag gepubliceerd in het tijdschrift Natuur , laat zien dat kunstmatige intelligentie (AI) ons begrip van het klimaat en het aardsysteem aanzienlijk kan verbeteren. Vooral het potentieel van deep learning is tot nu toe slechts gedeeltelijk uitgeput. Vooral, complexe dynamische processen zoals orkanen, brandvoortplanting, en vegetatiedynamiek kan beter worden beschreven met behulp van AI. Als resultaat, klimaat- en aardsysteemmodellen zullen worden verbeterd, met nieuwe modellen die kunstmatige intelligentie en fysieke modellering combineren.

In de afgelopen decennia zijn voornamelijk statische attributen onderzocht met behulp van machine learning-benaderingen, zoals de verdeling van bodemeigenschappen van de lokale naar de mondiale schaal. Sinds enige tijd, het is mogelijk geworden om meer dynamische processen aan te pakken door gebruik te maken van meer geavanceerde deep learning-technieken. Dit maakt het bijvoorbeeld mogelijk om de wereldwijde fotosynthese op het land te kwantificeren met gelijktijdige overweging van seizoens- en kortetermijnvariaties.

Onderliggende wetten afleiden uit waarnemingsgegevens

"Van een overvloed aan sensoren, een stortvloed van gegevens over het aardsysteem is beschikbaar gekomen, maar tot nu toe hebben we een achterstand opgelopen in analyse en interpretatie, " legt Markus Reichstein uit, directeur van het Max Planck Instituut voor Biogeochemie in Jena, directory bestuurslid van het Michael-Stifel-Center Jena (MSCJ) en eerste auteur van de publicatie. "Dit is waar deep learning-technieken een veelbelovend hulpmiddel worden, verder gaan dan de klassieke machine learning-toepassingen zoals beeldherkenning, natuurlijke taalverwerking of AlphaGo, ", voegt co-auteur Joachim Denzler van de Computer Vision Group van de Friedrich Schiller University Jena (FSU) en lid van MSCJ toe. Voorbeelden voor toepassing zijn extreme gebeurtenissen zoals branduitbreidingen of orkanen, Dit zijn zeer complexe processen die worden beïnvloed door lokale omstandigheden, maar ook door hun temporele en ruimtelijke context. Dit geldt ook voor atmosferisch en zeetransport, bodem beweging, en vegetatiedynamiek, enkele van de klassieke onderwerpen van de systeemwetenschap van de aarde.

Kunstmatige intelligentie om klimaat- en aardsysteemmodellen te verbeteren

Echter, deep learning-benaderingen zijn moeilijk. Alle gegevensgestuurde en statistische benaderingen garanderen op zich geen fysieke consistentie, zijn sterk afhankelijk van de datakwaliteit, en kunnen moeilijkheden ondervinden met extrapolaties. Daarnaast, de behoefte aan dataverwerking en opslagcapaciteit is zeer hoog. De publicatie bespreekt al deze vereisten en obstakels en ontwikkelt een strategie om machine learning efficiënt te combineren met fysieke modellering. Als beide technieken worden gecombineerd, er ontstaan ​​zogenaamde hybride modellen. Ze kunnen bijvoorbeeld worden gebruikt voor het modelleren van de beweging van oceaanwater om de temperatuur van het zeeoppervlak te voorspellen. Terwijl de temperaturen fysiek worden gemodelleerd, de oceaanwaterbeweging wordt vertegenwoordigd door een machine learning-benadering. "Het idee is om het beste van twee werelden te combineren, de consistentie van fysieke modellen met de veelzijdigheid van machine learning, sterk verbeterde modellen te verkrijgen, Markus Reichstein legt het verder uit.

De wetenschappers beweren dat detectie en vroegtijdige waarschuwing van extreme gebeurtenissen, evenals seizoens- en langetermijnvoorspelling en projectie van weer en klimaat sterk zullen profiteren van de besproken diepgaande en hybride modelleringsbenaderingen.