Zoom ind på klimaforudsigelser

I søgen efter bedre at forstå klimaændringer, der er masser, vi stadig ikke ved. Men spørgsmålet er ikke, om der sker klimaforandringer. "Det, vi nogle gange hører i nyhederne, er politisk fremstillet usikkerhed, " sagde Auroop Ganguly, en professor i civil- og miljøteknik ved Northeastern.

I stedet, reel usikkerhed om klimaændringer stammer fra udfordringen med at simulere fremtiden. Hvad sker der med Bostons elektriske net under ekstreme ekstreme vejrforhold? Hvordan ville et kraftværk i Phoenix blive påvirket af faldende regionale ressourcer? Hvornår skal Atlanta investere i at opdatere sin vandinfrastruktur?

Nuværende modeller er gode til at fremskrive regionale tendenser. Men for at forberede mig tilstrækkeligt på de fremtidige virkninger af klimaændringer, forskere skal zoome ind på sårbare steder som kystbyer, truede økosystemer, og andre specifikke websteder.

I et papir, der i denne uge blev præsenteret på Association for Computing Machinery's konference for vidensopdagelse og datamining, forskere skitserede en ny strategi for at gøre netop det.

Thomas Vandal er ph.d.-studerende i civil- og miljøteknik ved Northeastern og hovedforfatter af papiret, som blev tildelt Runner-Up for bedste papir i Applied Data Science-sporet. Vandal arbejdede med Evan Kodra, administrerende direktør for Northeastern spinout risQ, og NASA Ames samarbejdspartnere Sangram Ganguly, Andrew Michaelis, og Ramakrishna Nemani, og hans rådgiver Auroop Ganguly, at udvikle et system, der zoomer ind på klimadata for at producere højere opløsningsprojektioner.

At lære kunstige hjerner at lære

Simulering af klima er en øvelse i tidsrejser. For at forudsige fremtiden, forskere skal først gøre status over fortiden – med andre ord, de hindrer, før de kan forudsige.

Vandal besøgte NASA Ames Research Center, hvor han indsamlede og analyserede historiske klimadatasæt, der måler variabler som temperatur, Regn, og geografisk højde, samt NASAs omfattende satellitdata. For at skændes med denne kolossale mængde data, Vandal udnyttede en maskine ved NASA Ames kaldet Pleiades, en af ​​verdens mest kraftfulde supercomputere.

Holdets mål var at skabe en ramme for nedskalering - eller zoome ind - på historiske klimadatasæt. Dette ville give forskerne mulighed for at gøre mere detaljerede, lokaliserede klimafremskrivninger.

Forskerne gjorde brug af banebrydende deep learning-teknologier. Dyb læring er en innovation af kunstige neurale netværk - et computersystem, der er løst baseret på biologiske nervesystemer. Dyb læring giver kunstige neurale netværk mulighed for at genkende mønstre og udføre opgaver.

Vandal, der sluttede sig til Northeastern efter at have arbejdet for flere startups i Boston -området, har brugt en relateret teknologi kaldet machine learning i industrien til analyse af ansigtsudtryk og følelsesgenkendelse. Men efter at have mødt Auroop Ganguly, han indså, at teknologien kunne tage en mere dydig vej ved at gøre en forskel inden for klimavidenskab, et område han holder meget af.

"I stedet for at bruge maskinlæring til at få folk til at klikke på annoncer eller maksimere sidevisninger, Jeg besluttede at løse problemer inden for klimavidenskab var en bedre udnyttelse af mine færdigheder og tid, "Sagde Vandal.

Resultatet af holdets forskning er en ramme kaldet DeepSD, som står for dyb læringsbaseret statistisk nedskalering. Systemet hjælper med at bringe forskellige klimadatasæt med varierende detaljer i fokus.

"Disse nedskalerede datasæt vil være af enorm værdi for klimaforskere og øko-klimatiske modelbyggere, der ønsker at studere alt fra økosystemernes påvirkning til ændringer i klimaet for fremtidige opvarmningsscenarier, " sagde Sangram Ganguly, en af ​​undersøgelsens medforfattere og en senior forsker ved Bay Area Environmental Research Institute ved NASA Ames Research Center.

Og dette er kun begyndelsen. Vandal mener, at DeepSD-konceptet kan bruges til at løse en række klimaproblemer, fra at spore ekstremt vejr til at forudsige katastrofebegivenheder med større selvtillid. I computervidenskabens verden, teknologien er stadig i sin vorden.

"Datalogien ændrer sig virkelig hurtigt, " sagde Auroop Ganguly. "Et år er som en geologisk tidsalder på nogle andre områder."