Kluczowe dania na wynos
- Modele AI mogą pomóc w prognozowaniu zmian klimatycznych, twierdzą eksperci.
- Nowe narzędzie sztucznej inteligencji o nazwie IceNet może umożliwić naukowcom dokładne prognozowanie głębokości lodu morskiego w Arktyce.
-
AI i analityka pogodowa mogą również pomóc w walce ze zmianą klimatu poprzez zmniejszenie emisji w łańcuchu dostaw.
Ponieważ pojawiają się dowody na to, że ekstremalne warunki pogodowe tego lata są napędzane zmianami klimatycznymi, sztuczna inteligencja pomaga przewidzieć, gdzie zmienią się warunki.
Nowe narzędzie sztucznej inteligencji może pozwolić naukowcom na dokładniejsze prognozowanie arktycznych miesięcy lodu morskiego w przyszłości. Naukowcy twierdzą, że IceNet jest prawie w 95% dokładny w przewidywaniu, czy lód morski pojawi się dwa miesiące naprzód. Jest to jedno z rosnącej liczby zastosowań sztucznej inteligencji w przewidywaniu zmian klimatycznych.
„Sztuczna inteligencja znacznie poprawiła wydajność obsługi złożonych modeli klimatycznych, które w przeszłości wymagały dużej mocy obliczeniowej”, powiedział Lifewire Daniel Intolubbe-Chmil, analityk z Harbour Research w wywiadzie e-mailowym.
Bez lodu, lodu, dziecka
IceNet pracuje nad ogromnym wyzwaniem, jakim jest sporządzenie dokładnych prognoz dotyczących lodu morskiego w Arktyce na nadchodzący sezon. Naukowcy opisali, jak działa IceNet w niedawnym artykule opublikowanym w czasopiśmie Nature Communications.
„Temperatury powietrza w pobliżu powierzchni w Arktyce wzrosły od dwóch do trzech razy szybciej niż średnia globalna, zjawisko znane jako arktyczna amplifikacja, spowodowane kilkoma pozytywnymi sprzężeniami” – napisali naukowcy w artykule. „Rosnące temperatury odegrały kluczową rolę w redukcji lodu morskiego w Arktyce, przy czym zasięg lodu morskiego we wrześniu wynosi obecnie około połowę tego z 1979 r., kiedy rozpoczęły się satelitarne pomiary Arktyki.„
Lód morski jest trudny do przewidzenia ze względu na złożony związek z atmosferą na górze i oceanem poniżej, według autorów artykułu. W przeciwieństwie do konwencjonalnych systemów prognozowania, które próbują bezpośrednio modelować prawa fizyki, naukowcy zaprojektowali IceNet w oparciu o koncepcję zwaną głębokim uczeniem. Dzięki takiemu podejściu model „uczy się”, w jaki sposób lód morski zmienia się na podstawie danych z tysięcy lat symulacji klimatu oraz dziesięcioleci danych obserwacyjnych, aby przewidzieć zasięg arktycznego lodu morskiego w miesiącach w przyszłości.
„Arktyka jest regionem znajdującym się na pierwszej linii frontu zmian klimatycznych i odnotowała znaczne ocieplenie w ciągu ostatnich 40 lat” – powiedział główny autor artykułu, Tom Andersson, naukowiec zajmujący się danymi w BAS AI Lab. wydanie. „IceNet ma potencjał, aby wypełnić pilną lukę w prognozowaniu lodu morskiego na potrzeby działań na rzecz zrównoważonego rozwoju w Arktyce i działa tysiące razy szybciej niż tradycyjne metody”.
AI nadaje szeroką sieć
Inne symulatory AI również śledzą zmiany klimatyczne. Naukowcy wykorzystali na przykład technikę Deep Emulator Network Search, aby ulepszyć symulację sposobu, w jaki sadza i aerozole odbijają i pochłaniają światło słoneczne. Badania wykazały, że emulator był 2 miliardy razy szybszy i ponad 99,999% identyczny z ich fizyczną symulacją.
Sztuczna inteligencja i analityka pogodowa mogą również pomóc w walce ze zmianami klimatycznymi poprzez redukcję emisji w łańcuchu dostaw, powiedział w wywiadzie dla Lifewire Renny Vandewege, wiceprezes firmy DTN zajmującej się prognozowaniem pogody.
Na przykład w żegludze trasy zoptymalizowane pod kątem warunków pogodowych mogą zmniejszyć emisje nawet o 4% i zmniejszyć zużycie paliwa nawet o 10%, a wyznaczanie tras pogodowych w przemyśle lotniczym może zapobiec niepotrzebnym zmianom trasy w celu uniknięcia złych warunków pogodowych, lub krążyć po lotnisku czekając na lądowanie” – powiedział.
Dokładne prognozowanie dla sieci drogowych może ograniczyć niepotrzebne oczyszczanie dróg zimowych, zmniejszając liczbę szkodliwych chemikaliów, powiedział Vandenwege.
„Zamiast leczenia całej jezdni, ekipy zajmujące się konserwacją dróg mogą zdecydować się na leczenie wybranych lokalizacji wzdłuż drogi, na której znajdują się odcinki dróg o zimnych punktach, lub mogą zdecydować, czy leczenie jest w ogóle konieczne” – dodał.
Uczenie maszynowe i modele sztucznej inteligencji są coraz częściej wykorzystywane do zrozumienia emisji CO2 i metanu, powiedział Marty Bell, dyrektor ds. nauki w firmie prognozującej pogodę WeatherFlow, w rozmowie e-mailowej z Lifewire.
„Modele zwiększają również naszą odporność na zmiany klimatu, pomagając nam modyfikować nasze podejście do produkcji i zużycia energii” – powiedział Bell. „Podczas gdy wiele z tych aplikacji AI działa na dużą skalę w systemach dystrybucji energii z mediów, inne działają na poziomie gospodarstw domowych, gdzie ML informuje o modelach AI wbudowanych w codzienne urządzenia Internetu rzeczy, które bardziej efektywnie zarządzają zużyciem energii w domu.”
