Kunstig intelligens til at booste jordsystemvidenskaben

En undersøgelse foretaget af tyske forskere fra Jena og Hamborg, offentliggjort i dag i tidsskriftet Natur , viser, at kunstig intelligens (AI) væsentligt kan forbedre vores forståelse af klimaet og jordsystemet. Især potentialet i deep learning er indtil videre kun delvist udtømt. I særdeleshed, komplekse dynamiske processer såsom orkaner, brandudbredelse, og vegetationsdynamik kan bedre beskrives ved hjælp af AI. Som resultat, klima- og jordsystemmodeller vil blive forbedret, med nye modeller, der kombinerer kunstig intelligens og fysisk modellering.

I de sidste årtier er hovedsageligt statiske attributter blevet undersøgt ved hjælp af maskinlæringsmetoder, såsom fordelingen af ​​jordegenskaber fra lokal til global skala. For nogen tid nu, det har været muligt at tackle mere dynamiske processer ved hjælp af mere sofistikerede deep learning -teknikker. Dette giver f.eks. mulighed for at kvantificere den globale fotosyntese på land med samtidig hensyntagen til sæsonbestemte og kortsigtede variationer.

Udledning af underliggende love fra observationsdata

"Fra en overflod af sensorer, en syndflod af jordsystemdata er blevet tilgængelig, men indtil videre har vi været bagud i analyse og fortolkning, " forklarer Markus Reichstein, administrerende direktør for Max Planck Instituttet for Biogeokemi i Jena, bestyrelsesmedlem i Michael-Stifel-Center Jena (MSCJ) og første forfatter til publikationen. "Det er her, deep learning-teknikker bliver et lovende værktøj, ud over de klassiske maskinlæringsapplikationer såsom billedgenkendelse, naturlig sprogbehandling eller AlphaGo, " tilføjer medforfatter Joachim Denzler fra Computer Vision Group ved Friedrich Schiller University Jena (FSU) og medlem af MSCJ. Eksempler på anvendelse er ekstreme begivenheder såsom brandspredning eller orkaner, som er meget komplekse processer påvirket af lokale forhold, men også af deres tidsmæssige og rumlige kontekst. Dette gælder også for atmosfærisk transport og havtransport, jordbevægelser, og vegetationsdynamik, nogle af de klassiske emner inden for jordsystemvidenskab.

Kunstig intelligens til forbedring af klima og jordsystemmodeller

Imidlertid, dybdelæringstilgange er vanskelige. Alle datadrevne og statistiske fremgangsmåder garanterer ikke fysisk konsistens i sig selv, er meget afhængige af datakvalitet, og kan opleve vanskeligheder med ekstrapoleringer. Udover, kravet til databehandling og lagerkapacitet er meget højt. Publikationen diskuterer alle disse krav og forhindringer og udvikler en strategi for effektivt at kombinere maskinlæring med fysisk modellering. Hvis begge teknikker bringes sammen, såkaldte hybridmodeller skabes. De kan for eksempel bruges til at modellere havvandets bevægelse for at forudsige havoverfladetemperaturen. Mens temperaturerne er modelleret fysisk, havvandets bevægelse er repræsenteret ved en machine learning -tilgang. "Idéen er at kombinere det bedste fra to verdener, konsistensen af ​​fysiske modeller med alsidigheden af ​​maskinlæring, at opnå stærkt forbedrede modeller, ", forklarer Markus Reichstein yderligere.

Forskerne hævder, at detektion og tidlig varsling af ekstreme begivenheder samt sæson- og langsigtede forudsigelser og fremskrivning af vejr og klima vil drage stor fordel af de diskuterede dyb-læring og hybride modelleringsmetoder.