Искусственный интеллект используют для развития науки о Земле
Исследование немецких ученых из Йены и Гамбурга, опубликованное сегодня в журнале Nature , показывает, что искусственный интеллект (ИИ) может существенно улучшить наше понимание климата и системы Земли. Особенно потенциал глубокого обучения до сих пор только частично исчерпан. В частности, сложные динамические процессы, такие как ураганы, распространение пожаров и динамика растительности, могут быть лучше описаны с помощью ИИ. В результате модели климата и системы Земли будут улучшены, и новые модели будут сочетать искусственный интеллект и физическое моделирование.
В последние десятилетия главным образом статические атрибуты были исследованы с использованием подходов машинного обучения, таких как распределение свойств почвы от локального до глобального масштаба. В течение некоторого времени стало возможным решать более динамичные процессы, используя более сложные методы глубокого обучения. Это позволяет, например, количественно оценить глобальный фотосинтез на суше с одновременным учетом сезонных и краткосрочных вариаций.
Вывод основных законов из данных наблюдений
«Из-за большого количества датчиков стало доступно множество данных о системе Земли, но пока мы отстаем в анализе и интерпретации», — объясняет Маркус Рейхштейн, управляющий директор Института биогеохимии им. Макса Планка в Йене, совет директоров. член Michael-Stifel-Center Jena (MSCJ) и первый автор публикации. «Именно здесь методы глубокого обучения становятся многообещающим инструментом, помимо классических приложений машинного обучения, таких как распознавание изображений, естественный язык обработки или AlphaGo «, добавляет соавтор Joachim Denzler из группы Computer Vision при Университете имени Фридриха Шиллера в Йене (FSU) и член MSCJ. Примерами применения являются экстремальные события, такие как распространение огня или ураганы, которые являются очень сложными процессами, на которые влияют местные условия, а также их временной и пространственный контекст. Это также относится к атмосферному и океаническому переносу, движению почвы и динамике растительности, некоторым из классических тем науки о системе Земли.
Искусственный интеллект для улучшения моделей климата и системы Земли
Однако подходы к глубокому обучению сложны. Все управляемые данными и статистические подходы сами по себе не гарантируют физической согласованности, сильно зависят от качества данных и могут испытывать трудности с экстраполяцией. Кроме того, требования к обработке и хранению данных очень высоки. В публикации обсуждаются все эти требования и препятствия и разрабатывается стратегия эффективного сочетания машинного обучения с физическим моделированием. Если оба метода объединены, создаются так называемые гибридные модели. Они могут, например, использоваться для моделирования движения воды в океане для прогнозирования температуры поверхности моря., В то время как температура моделируется физически, движение воды в океане представлено методом машинного обучения. «Идея состоит в том, чтобы объединить лучшее из двух миров, согласованность физических моделей с универсальностью машинного обучения, чтобы получить значительно улучшенные модели», — объясняет Маркус Рейхштейн.
Ученые утверждают, что обнаружение и раннее предупреждение об экстремальных явлениях, а также сезонное и долгосрочное прогнозирование и прогнозирование погоды и климата сильно выиграют от обсуждаемых подходов глубокого обучения и гибридного моделирования.
