Hvordan maskinlæring hjælper forskere med at finjustere klimamodeller for at nå enestående detaljer

Fra filmforslag til selvkørende biler, maskinlæring har revolutioneret det moderne liv. Eksperter bruger det nu til at hjælpe med at løse et af menneskehedens største problemer:klimaændringer.

Med maskinlæring, vi kan bruge vores overflod af historiske klimadata og observationer til at forbedre forudsigelser af Jordens fremtidige klima. Og disse forudsigelser vil have en stor rolle i at mindske vores klimapåvirkning i de kommende år.

Hvad er maskinlæring?

Maskinlæring er en gren af ​​kunstig intelligens. Selvom det er blevet noget af et modeord, det er i det væsentlige en proces med at udtrække mønstre fra data.

Maskinlæringsalgoritmer bruger tilgængelige datasæt til at udvikle en model. Denne model kan derefter lave forudsigelser baseret på nye data, der ikke var en del af det originale datasæt.

Går vi tilbage til vores klimaproblem, der er to hovedtilgange, hvorved maskinlæring kan hjælpe os med at fremme vores forståelse af klima:observationer og modellering.

I de seneste år, mængden af ​​tilgængelige data fra observations- og klimamodeller er vokset eksponentielt. Det er umuligt for mennesker at gennemgå det hele. Heldigvis, maskiner kan gøre det for os.

Observationer fra rummet

Satellitter overvåger løbende havets overflade, giver forskere nyttig indsigt i, hvordan havstrømme ændrer sig.

NASAs satellitmission Surface Water and Ocean Topography (SWOT) - planlagt til at blive lanceret sidst på næste år - har til formål at observere havoverfladen i hidtil uset detalje sammenlignet med nuværende satellitter.

Men en satellit kan ikke observere hele havet på én gang. Den kan kun se den del af havet under den. Og SWOT -satellitten skal bruge 21 dage til at gå over hvert punkt rundt om i verden.

Er der en måde at udfylde de manglende data på, så vi kan få et fuldstændigt globalt billede af havets overflade til enhver tid?

Det er her maskinlæring kommer ind. Maskinlæringsalgoritmer kan bruge data hentet af SWOT -satellitten til at forudsige de manglende data mellem hver SWOT -revolution.

Hinder i klimamodellering

Observationer informerer os om nutiden. Imidlertid, for at forudsige fremtidens klima må vi stole på omfattende klimamodeller.

Den seneste IPCC -klimarapport blev informeret af klimaprognoser fra forskellige forskningsgrupper over hele verden. Disse forskere kørte et væld af klimamodeller, der repræsenterede forskellige emissionsscenarier, der gav fremskrivninger hundredvis af år ud i fremtiden.

For at modellere klimaet, computere ligger over et beregningsnet på havene, atmosfære og land. Derefter, ved at starte med dagens klima, de kan løse ligningerne for væske og varmebevægelse inden for hver kasse i dette gitter for at modellere, hvordan klimaet vil udvikle sig i fremtiden.

Størrelsen på hver boks i gitteret er det, vi kalder modellens "opløsning". Jo mindre boksens størrelse er, jo finere strømningsdetaljer modellen kan fange.

Men at køre klimamodeller, der projekterer frem i hundredvis af år, bringer selv de mest kraftfulde supercomputere i knæ. Dermed, vi er i øjeblikket tvunget til at køre disse modeller i en grov opløsning. Faktisk, det er nogle gange så groft, at strømmen ikke ligner det virkelige liv.

For eksempel, havmodeller, der bruges til klimaprojektioner, ligner typisk den til venstre herunder. Men i virkeligheden, havstrøm ligner meget mere billedet til højre.

Desværre, vi har i øjeblikket ikke den beregningskraft, der er nødvendig for at køre højopløselige og realistiske klimamodeller til klimaprojektioner.

Klimaforskere forsøger at finde måder at indarbejde bødenes virkninger på, småskala turbulente bevægelser i billedet over højre til den grovopløselige klimamodel til venstre.

Hvis vi kan gøre dette, vi kan generere mere præcise klimaprognoser, men alligevel beregningsmæssigt muligt. Det er det, vi omtaler som "parameterisering" - klimamodelleringens hellige gral.

Ganske enkelt, det er, når vi kan opnå en model, der ikke nødvendigvis indeholder alle de mindre komplekse flow-funktioner i mindre skala (som kræver enorme mængder processorkraft)-men som stadig kan integrere deres effekter i den overordnede model på en enklere og billigere måde.

Et klarere billede

Nogle parameteriseringer findes allerede i modeller med grov opløsning, men gør ofte ikke et godt stykke arbejde med at integrere de mindre flow-funktioner på en effektiv måde.

Maskinlæringsalgoritmer kan bruge output fra realistiske, klimamodeller i høj opløsning (som den til højre ovenfor) til at udvikle langt mere præcise parametreringer.

Efterhånden som vores beregningskapacitet vokser - sammen med vores klimadata - vil vi være i stand til at engagere stadig mere sofistikerede maskinlæringsalgoritmer for at gennemse disse oplysninger og levere forbedrede klimamodeller og fremskrivninger.

Denne artikel er genudgivet fra The Conversation under en Creative Commons -licens. Læs den originale artikel.