Ključni izsledki
- Modeli AI lahko pomagajo pri napovedovanju podnebnih sprememb, pravijo strokovnjaki.
- Novo orodje AI, imenovano IceNet, bi lahko znanstvenikom omogočilo natančno napovedovanje globine ledu v Arktičnem morju.
-
Umetna inteligenca in vremenska analitika lahko pomagata tudi v boju proti podnebnim spremembam z zmanjšanjem emisij v dobavni verigi.
Medtem ko se povečujejo dokazi, da ekstremno vreme to poletje povzročajo podnebne spremembe, umetna inteligenca pomaga napovedati, kje se bodo razmere spremenile.
Novo orodje umetne inteligence bi lahko znanstvenikom omogočilo, da natančneje napovedujejo mesece arktičnega morskega ledu v prihodnost. IceNet je skoraj 95-odstotno natančen pri napovedovanju, ali bo morski led prisoten dva meseca vnaprej, pravijo raziskovalci. To je ena od vedno večjega števila uporab umetne inteligence pri napovedovanju podnebnih sprememb.
"Umetna inteligenca je občutno izboljšala učinkovitost izvajanja zapletenih podnebnih modelov, ki so bili v preteklosti računsko intenzivni," je za Lifewire v intervjuju po e-pošti povedal Daniel Intolubbe-Chmil, analitik pri Harbour Research.
No Ice, Ice, Baby
IceNet se ukvarja z izjemnim izzivom izdelave natančnih napovedi ledu na Arktičnem morju za prihodnjo sezono. Raziskovalci so opisali, kako deluje IceNet, v nedavnem članku, objavljenem v reviji Nature Communications.
"Temperature zraka pri površju na Arktiki so se povečale dvakrat do trikrat hitreje od svetovnega povprečja, pojav, znan kot arktična amplifikacija, ki ga povzroča več pozitivnih povratnih informacij," so raziskovalci zapisali v članku. »Naraščajoče temperature so imele ključno vlogo pri zmanjševanju arktičnega morskega ledu, pri čemer je septembrski obseg morskega ledu zdaj približno polovico manjši od leta 1979, ko so se začele satelitske meritve Arktike."
Po mnenju avtorjev prispevka je morski led težko napovedati zaradi njegovega kompleksnega odnosa z ozračjem zgoraj in oceanom pod njim. Za razliko od običajnih sistemov napovedovanja, ki poskušajo neposredno modelirati zakone fizike, so raziskovalci zasnovali IceNet na podlagi koncepta, imenovanega globoko učenje. S tem pristopom se model "nauči", kako se morski led spreminja iz tisočletnih podatkov o podnebnih simulacijah, skupaj z desetletji opazovalnih podatkov, da napove obseg mesecev arktičnega morskega ledu v prihodnosti.
»Arktika je regija na prvi črti podnebnih sprememb in je bila v zadnjih 40 letih deležna znatnega segrevanja,« je v novicah povedal glavni avtor časopisa Tom Andersson, podatkovni znanstvenik v laboratoriju BAS AI Lab sprostitev. "IceNet lahko zapolni nujno vrzel pri napovedovanju morskega ledu za prizadevanja za trajnostni razvoj Arktike in deluje tisočkrat hitreje od tradicionalnih metod."
AI postavlja široko mrežo
Tudi drugi simulatorji umetne inteligence spremljajo podnebne spremembe. Raziskovalci so na primer uporabili tehniko Deep Emulator Network Search, da bi izboljšali simulacijo o tem, kako saje in aerosoli odbijajo in absorbirajo sončno svetlobo. Raziskava je pokazala, da je emulator 2 milijardi-krat hitrejši in več kot 99,999 % enak njihovi fizični simulaciji.
Umetna inteligenca in vremenska analitika lahko prav tako pomagata v boju proti podnebnim spremembam z zmanjšanjem emisij v dobavni verigi, je za Lifewire v elektronskem intervjuju povedal Renny Vandewege, podpredsednik podjetja za vremensko napoved DTN.
V ladijskem prometu lahko na primer usmerjanje, optimizirano za vremenske razmere, zmanjša emisije do 4 % in porabo goriva do 10 %, usmerjanje po vremenskih razmerah v letalski industriji pa lahko prepreči nepotrebno preusmerjanje poti, da bi se izognili slabemu vremenu, ali kroženje po letališču in čakanje na pristanek, «je rekel.
Natančno napovedovanje cestnih omrežij lahko zmanjša nepotrebno obdelavo cest pozimi in zmanjša število škodljivih kemikalij, je dejal Vandenwege.
"Namesto obdelave celotnega cestišča se lahko vzdrževalci cest odločijo za obdelavo izbranih lokacij vzdolž ceste, kjer so cestni odseki s hladnimi točkami, ali pa se odločijo, ali je obdelava sploh potrebna," je dodal.
Modeli strojnega učenja in umetne inteligence se čedalje pogosteje uporabljajo za pomoč pri razumevanju emisij CO2 in metana, je v intervjuju po e-pošti za Lifewire povedal Marty Bell, glavni znanstveni direktor pri podjetju za vremensko napoved WeatherFlow.
»Modeli povečujejo tudi našo odpornost na podnebne spremembe, saj nam pomagajo spremeniti naš pristop k proizvodnji in porabi energije,« je dejal Bell. "Medtem ko mnoge od teh aplikacij umetne inteligence delujejo v velikem obsegu v sistemih za distribucijo električne energije, druge delujejo na ravni gospodinjstev, kjer ML obvešča modele umetne inteligence, vdelane v vsakodnevne naprave interneta stvari, ki učinkoviteje upravljajo porabo energije v hiši."
