Van filmsuggesties tot zelfrijdende voertuigen, machine learning heeft een revolutie teweeggebracht in het moderne leven. Experts gebruiken het nu om een ​​van de grootste problemen van de mensheid op te lossen:klimaatverandering.

Met machinaal leren, we kunnen onze overvloed aan historische klimaatgegevens en observaties gebruiken om voorspellingen van het toekomstige klimaat op aarde te verbeteren. En deze voorspellingen zullen de komende jaren een grote rol spelen bij het verminderen van onze klimaatimpact.

Wat is machinaal leren?

Machine learning is een tak van kunstmatige intelligentie. Hoewel het een modewoord is geworden, het is in wezen een proces van het extraheren van patronen uit gegevens.

Machine learning-algoritmen gebruiken beschikbare datasets om een ​​model te ontwikkelen. Dit model kan vervolgens voorspellingen doen op basis van nieuwe gegevens die geen deel uitmaakten van de oorspronkelijke dataset.

Terugkomend op ons klimaatprobleem, er zijn twee hoofdbenaderingen waarmee machine learning ons kan helpen het klimaat beter te begrijpen:observaties en modellering.

In recente jaren, de hoeveelheid beschikbare data uit observatie- en klimaatmodellen is exponentieel gegroeid. Het is onmogelijk voor mensen om dit allemaal te doorstaan. Gelukkig, machines kunnen dat voor ons doen.

Waarnemingen vanuit de ruimte

Satellieten houden continu het oppervlak van de oceaan in de gaten, wetenschappers nuttig inzicht geven in hoe oceaanstromen veranderen.

NASA's Surface Water and Ocean Topography (SWOT) -satellietmissie - gepland voor eind volgend jaar - heeft tot doel het oceaanoppervlak in ongekend detail te observeren in vergelijking met de huidige satellieten.

Maar een satelliet kan niet de hele oceaan tegelijk observeren. Het kan alleen het gedeelte van de oceaan eronder zien. En de SWOT-satelliet heeft 21 dagen nodig om elk punt over de hele wereld te passeren.

Is er een manier om de ontbrekende gegevens in te vullen, zodat we op elk moment een volledig globaal beeld van het oceaanoppervlak kunnen hebben?

Dit is waar machine learning om de hoek komt kijken. Algoritmen voor machine learning kunnen gegevens gebruiken die door de SWOT-satelliet zijn opgehaald om de ontbrekende gegevens tussen elke SWOT-revolutie te voorspellen.

Obstakels bij klimaatmodellering

Waarnemingen informeren ons over het heden. Echter, om het toekomstige klimaat te voorspellen, moeten we vertrouwen op uitgebreide klimaatmodellen.

Het laatste klimaatrapport van het IPCC is gebaseerd op klimaatprognoses van verschillende onderzoeksgroepen over de hele wereld. Deze onderzoekers hebben een groot aantal klimaatmodellen gebruikt die verschillende emissiescenario's vertegenwoordigen die voorspellingen van honderden jaren in de toekomst opleverden.

Om het klimaat te modelleren, computers overlappen een rekenraster op de oceanen, atmosfeer en land. Vervolgens, door te beginnen met het klimaat van vandaag, ze kunnen de vergelijkingen van vloeistof- en warmtebeweging binnen elke doos van dit raster oplossen om te modelleren hoe het klimaat in de toekomst zal evolueren.

De grootte van elk vak in het raster is wat we de "resolutie" van het model noemen. Hoe kleiner het formaat van de doos, hoe fijner de stroomdetails die het model kan vastleggen.

Maar het draaien van klimaatmodellen die honderden jaren vooruit projecteren, brengt zelfs de krachtigste supercomputers op hun knieën. Dus, we zijn momenteel genoodzaakt om deze modellen met een grove resolutie uit te voeren. In feite, het is soms zo grof dat de stroom in niets lijkt op het echte leven.

Bijvoorbeeld, oceaanmodellen die voor klimaatprojecties worden gebruikt, zien er meestal uit als die aan de linkerkant hieronder. Maar in werkelijkheid, oceaanstroom lijkt veel meer op de afbeelding rechts.

Helaas, we hebben momenteel niet de rekenkracht die nodig is om realistische klimaatmodellen met hoge resolutie voor klimaatprojecties uit te voeren.

Klimaatwetenschappers proberen manieren te vinden om de effecten van de boete, kleinschalige turbulente bewegingen in de afbeelding rechtsboven in het klimaatmodel met grove resolutie aan de linkerkant.

Als we dit kunnen, we kunnen klimaatprojecties genereren die nauwkeuriger zijn, maar nog steeds rekenkundig mogelijk. Dit is wat we 'parameterisatie' noemen - de heilige graal van klimaatmodellering.

gewoon, dit is wanneer we een model kunnen bereiken dat niet noodzakelijkerwijs alle kleinere complexe stroomfuncties omvat (die enorme hoeveelheden verwerkingskracht vereisen) - maar dat hun effecten nog steeds op een eenvoudiger en goedkopere manier in het algemene model kan integreren.

Een duidelijker beeld

Sommige parametriseringen bestaan ​​al in modellen met grove resolutie, maar slagen er vaak niet goed in om de kleinere stroomfuncties op een effectieve manier te integreren.

Algoritmen voor machinaal leren kunnen output gebruiken van realistische, klimaatmodellen met hoge resolutie (zoals die rechts hierboven) om veel nauwkeurigere parametrering te ontwikkelen.

Naarmate onze rekencapaciteit groeit - samen met onze klimaatgegevens - zullen we steeds geavanceerdere algoritmen voor machine learning kunnen gebruiken om deze informatie te doorzoeken en verbeterde klimaatmodellen en -projecties te leveren.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.