Forskere fremskynder analysen af ​​arktiske is- og snedata via AI

Forskere ved University of Maryland, Baltimore County (UMBC) har udviklet en teknik til hurtigere at analysere omfattende data fra arktiske iskapper for at få indsigt og nyttig viden om mønstre og tendenser. I årenes løb, store mængder data er blevet indsamlet om den arktiske og antarktiske is. Disse data er essentielle for videnskabsmænd og politiske beslutningstagere, der søger at forstå klimaændringer og den nuværende tendens til smeltning. Masoud Yari, forskningsadjunkt, og Maryam Rahnemoonfar, lektor i informationssystemer, har brugt ny AI-teknologi til at udvikle en fuldautomatisk teknik til at analysere isdata, offentliggjort i Journal of Glaciology . Dette er en del af National Science Foundations igangværende BigData-projekt.

I årtier, forskere har holdt tæt styr på polarisen, sne, og jordmålinger, men det har vist sig at være udfordrende at behandle den store mængde tilgængelige data. NASAs processer for indsamling, sporing, og mærkning af polære data involverer betydeligt manuelt arbejde, og ændringer opdaget i dataene kan tage måneder eller endda år at se. Selv arktiske data indsamlet via fjernmålingsteknologier kræver manuel behandling.

Ifølge Rahnemoonfar, "Radar big data er meget svært at udvinde og forstå bare ved hjælp af manuelle teknikker." De AI-teknikker, hun og Yari udvikler, kan bruges til at mine data hurtigere, for at få nyttig information om tendenser relateret til tykkelsen af ​​iskapperne og niveauet af sneophobning på et bestemt sted.

Forskerne udviklede en algoritme, der lærer at identificere objekter og mønstre inden for arktiske og antarktiske data. En AI -algoritme skal udsættes for hundredtusinder af eksempler for at lære at identificere vigtige elementer og mønstre. Rahnemoonfar og hendes team brugte eksisterende ufuldstændige og støjende mærkede data fra Arktis til at træne AI -algoritmen i, hvordan man kategoriserer og forstår nye data.

Algoritmens træning er endnu ikke færdig, da det skal skaleres op over flere sensorer og steder for at skabe et mere præcist værktøj. Imidlertid, det er allerede med succes begyndt at automatisere en proces, der tidligere var ineffektiv og arbejdskrævende.

Den hurtige udvidelse af brugen af ​​kunstig intelligens til at forstå is- og snetykkelsen i Arktis vil give videnskabsmænd og forskere mulighed for at lave hurtigere og mere præcise forudsigelser for at informere international dialog om klimaændringer. Den hastighed, hvormed arktisk is smelter, påvirker havniveaustigningen, og hvis videnskabsmænd er bedre i stand til at forudsige sværhedsgraden af ​​smeltningen, samfundet bedre kan afbøde skaderne forårsaget af havniveaustigninger.