Aardesysteemmodellen zijn de belangrijkste instrumenten voor het kwantitatief beschrijven van de fysieke toestand van de aarde, en - bijvoorbeeld in de context van klimaatmodellen - voorspellen hoe het in de toekomst zou kunnen veranderen onder invloed van menselijke activiteiten. Hoe de steeds vaker gebruikte methoden van kunstmatige intelligentie (AI) kunnen helpen om deze voorspellingen te verbeteren en waar de grenzen van de twee benaderingen liggen, is nu onderzocht door een internationaal team onder leiding van Christopher Irrgang van het Duitse onderzoekscentrum voor geowetenschappen Potsdam (GFZ) in een Perspectives-artikel voor het tijdschrift Intelligentie van de natuurmachine . Een belangrijk voorstel:beide benaderingen samenvoegen tot een zelflerende 'neurale systeemmodellering'.

De aarde als systeem - een uitdaging

De ontwikkeling van de aarde is een complex samenspel van vele factoren, inclusief het landoppervlak met flora en fauna, de oceanen met hun ecosysteem, de poolgebieden, de atmosfeer, de koolstofcyclus en andere biogeochemische cycli, en stralingsprocessen. Onderzoekers spreken daarom van het systeem Aarde.

Met zoveel onderling verbonden sferen en invloedsfactoren, het is een grote uitdaging om toekomstige scenario's te voorspellen, zoals vereist is, bijvoorbeeld, in het kader van onderzoek naar klimaatverandering. "De afgelopen jaren is hier enorme vooruitgang geboekt, " zegt Christopher Irrgang, hoofdauteur van de studie en postdoctoraal onderzoeker in de rubriek "Earth System Modelling" bij de GFZ. Bijvoorbeeld, het onlangs gepubliceerde zesde Assessment Report van het IPCC vat onze huidige kennis van de toekomstige effecten van verschillende scenario's voor de uitstoot van broeikasgassen gedetailleerder samen dan ooit tevoren.

Het rapport baseert zich, aan de ene kant, op steeds uitgebreidere en gedetailleerdere bevindingen van observaties en metingen van het aardsysteem om de opwarming in het verleden en de gevolgen ervan te beoordelen, bijvoorbeeld in de vorm van toenemende extreme gebeurtenissen, en anderzijds op een groot aantal simulaties die zijn uitgevoerd met state-of-the-art Earth-systeemmodellen (ESM's).

Klassieke modellering van het aardsysteem met grote vooruitgang

Klassieke aardsysteemmodellen zijn gebaseerd op zowel bekende als minder bekende natuurkundige wetten. Met behulp van wiskundige en numerieke methoden, de toestand van een systeem op een toekomstig tijdstip wordt berekend op basis van wat bekend is over de toestand van het systeem op een heden of verleden tijd.

De onderliggende modellen zijn de afgelopen decennia voortdurend verbeterd:er kan rekening worden gehouden met een ongekend aantal subsystemen en processen van de aarde, inclusief - tot op zekere hoogte - zulke complexe sleutelprocessen als de effecten van wolken. Hun prestaties worden gedemonstreerd, bijvoorbeeld, doordat ze de ontwikkeling van de wereldgemiddelde temperaturen sinds het begin van de gegevensverzameling nauwkeurig kunnen volgen. Vandaag, Ook op regionaal niveau kunnen conclusies worden getrokken over de effecten van klimaatverandering.

Beperkingen

De prijs, echter, is dat de steeds complexere ESM's enorme rekenkracht vereisen. Ondanks deze ontwikkeling, zelfs de voorspellingen van de nieuwste modellen bevatten onzekerheden. Bijvoorbeeld, ze hebben de neiging de kracht en frequentie van extreme gebeurtenissen te onderschatten. Onderzoekers vrezen dat er abrupte veranderingen kunnen optreden in bepaalde subsystemen van de aarde, zogenaamde kiepelementen in het klimaatsysteem, die de klassieke modelleringsbenaderingen niet nauwkeurig kunnen voorspellen. En veel belangrijke processen, zoals het type landgebruik of de beschikbaarheid van water en nutriënten, kan (nog) niet goed worden weergegeven.

Benaderingen van machinaal leren maken hun intrede

De uitdagingen van klassieke ESM-benaderingen, maar ook de steeds grotere hoeveelheden beschikbare aardobservaties, het veld openstellen voor het gebruik van kunstmatige intelligentie. Dit bevat, bijvoorbeeld, machine learning (ML) methoden zoals neurale netwerken, willekeurige forests of ondersteuningsvectormachines. Hun voordeel is dat het zelflerende systemen zijn die geen kennis vereisen van de – mogelijk zeer complexe of zelfs niet volledig bekende – fysieke wetten en relaties. In plaats daarvan, ze worden getraind op grote datasets voor specifieke taken en leren zelf de onderliggende systematiek. Dit flexibele en krachtige concept is uit te breiden tot vrijwel elke gewenste complexiteit.

Bijvoorbeeld, een neuraal netwerk kan worden getraind om patronen in satellietbeelden te herkennen en te classificeren, zoals wolkenstructuren, oceaanwervelingen of gewaskwaliteit. Of het leert een weersvoorspelling te maken op basis van eerdere records, modellen en fysieke balansvergelijkingen.

"Hoewel de eerste onderzoeken al in het begin van de jaren negentig aantoonden dat concepten voor machine learning kunnen worden gebruikt voor beeldanalyse, de "Cambrische explosie" van AI in de aard- en klimaatwetenschappen vindt pas ongeveer vijf jaar plaats, Irrgang merkt op. Niet in de laatste plaats omdat de pools van meet- en modelgegevens dagelijks groeien en er steeds meer kant-en-klare ML-bibliotheken beschikbaar zijn.

Kan men vertrouwen op de resultaten van kunstmatige intelligentie?

Echter, de mate waarin deze zelflerende benadering de klassieke modelleringsbenaderingen daadwerkelijk kan uitbreiden of zelfs vervangen, valt nog te bezien. Omdat machine learning ook - nog steeds - zijn valkuilen heeft:"Veel van de huidige ML-toepassingen voor klimaatwetenschap zijn proof-of-concept-studies die werken in een vereenvoudigde omgeving. Verder onderzoek zal uitwijzen hoe goed dit geschikt is voor operationeel en betrouwbaar gebruik, ’ vat Irrgang samen.

Een ander doorslaggevend aspect:als in een zwarte doos, input en output zijn bekend, maar de processen die erachter zitten om kennis te vergaren zijn dat niet. Dit veroorzaakt problemen bij het valideren van de resultaten voor fysieke consistentie, ook al lijken ze aannemelijk. "Interpreteerbaarheid en verklaarbaarheid zijn belangrijke zaken in de context van machine learning die in de toekomst verbeterd moeten worden om de transparantie en het vertrouwen in de methode te versterken. Zeker wanneer de resultaten van de voorspellingen een belangrijke basis vormen voor politieke beslissingen, zoals het geval is in klimaatonderzoek, " benadrukken de auteurs van de studie.

Een nieuwe en snel evoluerende derde weg:hybriden van ESM en AI

In de huidige publicatie het team rond de wiskundige stelt een derde manier voor:de fusie van de twee benaderingen die hierboven zijn besproken tot een 'neurale systeemmodellering'. Op deze manier, de respectieve sterke punten zouden kunnen worden gecombineerd en hun limieten kunnen worden uitgebreid. De eerste kansrijke stappen op dit pad zijn al gezet. Bijvoorbeeld, ML wordt niet langer alleen gebruikt voor pure data-analyse, maar ook om bepaalde processtappen over te nemen of te versnellen in het kader van klassieke ESM's. Dit zou dan computercapaciteit vrijmaken die zou kunnen vloeien in verdere modelverfijningen.

In de toekomst, nieuwe interfaces kunnen een dynamische uitwisseling van informatie tussen de twee benaderingen tot stand brengen, zodat ze elkaar voortdurend verbeteren. Deze diepe uitbreiding van klassiek procesgebaseerd aard- en klimaatonderzoek tilt Neural Earth System Modeling naar een nieuwe en snel opkomende onderzoekstak. De kern is een hybride systeem dat kan testen, juist, en hun fysieke consistentie te verbeteren en, dus, nauwkeurigere voorspellingen van geofysische en klimaatrelevante processen mogelijk maken.

Momenteel, Irrgang en zijn collega's concluderen dat AI en de hybride aanpak nog steeds hoge risico's en valkuilen bevatten, en het is verre van duidelijk dat de huidige hype rond het gebruik van kunstmatige intelligentie - althans op zichzelf - de openstaande problemen van aard- en klimaatonderzoek zal oplossen. In elk geval, echter, het is de moeite waard om deze weg te volgen. Om dit te laten gebeuren, echter, nauwe samenwerking tussen klimaat- en aardonderzoek enerzijds en AI-experts anderzijds zal steeds belangrijker worden.