Vögel & Ozeane & Waldbrände, Oh Mein! Wie Maschinelles Lernen Die Klimaforschung Verändert
Vögel & Ozeane & Waldbrände, Oh Mein! Wie Maschinelles Lernen Die Klimaforschung Verändert
Video: Vögel & Ozeane & Waldbrände, Oh Mein! Wie Maschinelles Lernen Die Klimaforschung Verändert
Video: Videos für Katzen - Vögel - Stieglitz, Blaumeise, Gimpel, Rotkehlchen 2023, Februar
Anonim

Zuvor habe ich detailliertere Fallstudien darüber durchgeführt, wie maschinelles Lernen in verschiedenen Klimaforschungs- und sauberen Technologieanwendungen eingesetzt wird. Aber es war bisher keine erschöpfende Untersuchung, die zuvor optimistische digitale Küstenhöhenmodelle, Abfallstromsortierung, kommerzielle Dach-Solarpanel-Layouts, Versorgungs- und Industriewasserqualitätsmanagement, Marktoptimierung für erneuerbare Energien und Speicher, Gebäude- und HLK-Effizienz und die schwachen Hoffnung auf eine Optimierung der konzentrierten solaren Wärmeerzeugung.

Es gibt viel mehr Forscher, die Programme vorantreiben, von denen wir und die Umwelt profitieren, die diese grundlegenden, transformativen Technologien verwenden. Und so liefert diese Zusammenfassung mehrerer weiterer Forschungsinitiativen mit neuronalen Netzen sowohl großen als auch kleinen Mehrwert.

Teilchenkollisionen im STAR-Detektor des Brookhaven National Laboratory
Teilchenkollisionen im STAR-Detektor des Brookhaven National Laboratory

Bild mit freundlicher Genehmigung des US DoE Lawrence Berkeley National Laboratory

An erster Stelle steht Elizabeth Barnes, Assistenzprofessorin an der Colorado State University und der US-amerikanischen National Oceanic and Atmospheric Administration. Als Physikstudentin verbrachte sie ihre Sommer damit, Neutrinos zu erforschen, bevor sie in Atmosphärenforschung promovierte. Sie leitet die von der NOAA finanzierte Subseasonal to Seasonal (S2S) Prediction Task Force, die an einer zweiwöchigen bis zweimonatigen Wettervorhersage arbeitet. Klima nicht. Wetter. Nicht Tage. Wochen und Monate. Sie haben die atmosphärischen Flüsse bereits 2-3 Wochen im Voraus gut im Griff, was der Schlüssel für eine längerfristige Wettervorhersage ist. Ihr neuronales Netz ist in der Lage, bereits in den 1960er Jahren in Klimamodellsimulationen Muster erzwungener Veränderungen der Oberflächentemperatur zu erkennen.

Als nächstes folgt der Vogelzug und die Bemühungen von Kyle G. Horton, Frank A. La Sorte et al. Ihre Forschung hat jahrzehntelange Vogelzüge für Hunderte von Arten, Wetter und Migrationszeitrahmen untersucht, wobei die massiven Datenverarbeitungsfähigkeiten neuronaler Netze verwendet wurden, um Signale im Rauschen zu finden. Ihre besondere Sorge laut ihrer veröffentlichten Forschung ist die hohe Wahrscheinlichkeit einer Diskrepanz zwischen dem Zeitpunkt des Vogelzugs und den notwendigen Ressourcen entlang ihrer Routen, da sich die Arten unterschiedlich schnell anpassen oder sich nicht vollständig anpassen.

Vom Himmel zum Boden geht es zu S M Piryon und Tamer El-Diraby aus Kanada. Ihre Forschung konzentriert sich auf Veränderungen der Straßenverschlechterungsraten und -arten aufgrund von Klimastressoren in den kommenden Jahren. Herkömmliche Modelle für Straßenverschlechterungsraten basieren auf einem stabilen Klima, eine Annahme, die nicht mehr sinnvoll ist. Sie entnahmen über 1.000 Proben aus der Long-term Pavement Performance-Datenbank, trainierten ihr maschinelles Lernsystem und stellen es jetzt über einen Webbrowser für Vorhersagen zu jedem Straßenabschnitt zur Verfügung, den interessierte Parteien betreten möchten Ergebnisse für Jahre im Voraus, innerhalb der Planungszeitszenarien der Straßeninstandhaltungsbehörden.

Wenn wir in Kanada bleiben, aber unter Wasser unterwegs sind, finden wir Alireza Rezvanifar, Tunai Porto Marques et al. Sie haben an einer besseren Identifizierung von Fischarten und -zahlen aus sehr verrauschten Sonardaten gearbeitet.

NOAA Fischerei-Echogramm
NOAA Fischerei-Echogramm

Echogramm mit freundlicher Genehmigung von NOAA Fisheries

Typischerweise nehmen Analysten Echogramme wie das obige und verwenden die matschigen neuronalen Netze in ihren Schädeln, um zu versuchen, Fischbestände zu identifizieren und zu quantifizieren. Wie ich aus meiner letzten Lektüre von Thinking, Fast and Slow weiß, ist das genau die Art von Arbeit, in der Menschen sehr gut sind, bis wir es nicht mehr sind, mit Dingen wie Hunger, Nähe zu Pausen und wie viele dieser Echogramme wir haben betrachtet, die wahrscheinlich massive Unterschiede in den Ergebnisqualitäten verursachen. Machine-Learning-Systeme leiden natürlich nicht unter diesen rein menschlichen Problemen und können Echogramme endlos mit konsistenten Ergebnissen betrachten. Ihre anfänglichen Bemühungen bei der Identifizierung und Zählung von Heringsschwärmen sind bereits genauer als menschliche Analysten und lassen sich leicht auf andere Fischbestände in anderen Regionen ausweiten.

Wenn wir unter der Oberfläche bleiben, aber zu einem US-amerikanischen und deutschen Forscherteam wechseln, Tom Weber, Nicola Wiseman und Annette Kock, die drei verschiedene Universitäten repräsentieren, finden wir ozeanische Methanemissionen. Als jemand, der am Rande des Pazifiks lebt und den Überblick verloren hat, wie oft ich ihn überquert habe, weiß ich, wie groß und wie spärlich instrumentiert er ist, und dabei ist der Abschnitt zwischen Nordamerika und Asien am besten überwachten Teil dieses massiven Gewässers. Darüber hinaus sind einige andere Ozeane wie der Arktische Ozean im Vergleich dazu noch weniger gut instrumentiert. Dies ist wichtiger denn je, da der Ozean eine der Quellen für atmosphärisches Methan ist, das nicht nur aus anoxischen Quellen stammt, sondern auch aus dem heute besser verstandenen und akzeptierten Phytoplankton-Methanbildungsweg. Zu verstehen, wie viel Methan der Ozean wo und wie produziert, ist wichtig, um zu verstehen, wie menschliche Emissionen dazu beitragen, und es ist noch nicht so gut verstanden, wie es sein könnte.

„Das Methanbudget hilft uns, die menschlichen Methanemissionen in einen Kontext zu setzen und bietet eine Grundlage für die Bewertung zukünftiger Veränderungen. In früheren Methanhaushalten war der Ozean ein sehr unsicherer Begriff. Wir wissen, dass der Ozean auf natürliche Weise Methan in die Atmosphäre freisetzt, aber wir wissen nicht unbedingt, wie viel.“Tom Weber, Assistenzprofessor, Geo- und Umweltwissenschaften, University of Rochester

Maschinelles Lernen ist perfekt für diese Aufgabe. „Ground Truth“aus den gut untersuchten Teilen des Ozeans kann mit höherer Genauigkeit als frühere Schätzungen auf den Rest der Ozeane weltweit angewendet werden. Das globale Methanbudget, das in Forschung und Politik verwendet wird, wird die Ergebnisse dieser Studie enthalten, was zu globalen Auswirkungen dieser Bemühungen um maschinelles Lernen führt.

Wenn wir wieder auftauchen, fahren wir über den Penn State nach Afrika. Diese Universität hat ein langjähriges Programm, das sich darauf konzentriert, die Ergebnisse der afrikanischen Kleinbauernlandwirtschaft zu verbessern, die Widerstandsfähigkeit und den wirtschaftlichen Erfolg in dieser Branche zu erhöhen. Sie haben die NURU-App (Swahili für Licht) entwickelt, um Landwirten Informationen und Anleitungen auf dem Smartphone zu bieten. Jetzt haben sie Machine-Learning-Vorhersagen der kurzfristigen Ernteproduktivität basierend auf Satellitenwasserdaten und Wetterberichten integriert.

Lassen Sie uns schließlich für diese Studie aus Kalifornien von Shane R. Coffield, Casey A. Graff et al. von der University of California Irvine wieder in die Luft gehen. Ihre im International Journal of Wildland Fire veröffentlichte Forschung sagt das Endausmaß der Waldbrände von den anfänglichen Rauchwolken für die Brände in Alaska voraus, etwas mit globaler Resonanz angesichts der Waldbrände in Australien und Asien und der jüngsten Geschichte der Brände und der Rauchwolke an der nordamerikanischen Westküste. Sie wandten eine Vielzahl von Techniken an, um zu versuchen, dieses Schlüsselmaß für die Ressourcenallokation vorherzusagen, einschließlich Ansätzen des maschinellen Lernens. Eine wichtige Erkenntnis ist jedoch, dass die effektivste Maßnahme mit einer Genauigkeit von etwas mehr als 50 % ein einfacher Entscheidungsbaum war, der von einem Menschen in wenigen Minuten durchgeführt werden konnte. Machine Learning ist zwar ein außergewöhnlicher Satz von Tools und Techniken, aber das bedeutet nicht, dass es immer notwendig oder besser ist.

Die vielfältigen Techniken und Technologien in der Kategorie des maschinellen Lernens sind viel mehr Forschern zugänglich geworden und ermöglichen massive Fortschritte in der Klima- und Umweltforschung. Globale Politik und lokale Haushalts- und Reaktionspraktiken werden zunehmend von diesem transformativen Ansatz beeinflusst.

Beliebt nach Thema