В последние десятилетия с использованием подходов машинного обучения исследовались в основном статические атрибуты, такие 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 колебаний.
Вывод основных законов из данных наблюдений
«Из множества датчиков стало доступно огромное количество данных о системе Земли, но до сих пор мы отстаем в анализе и интерпретации», – объясняет Маркус Райхштайн, управляющий директор Института биогеохимии Макса Планка в Йене, совет директоров член Michael-Stifel-Center Jena (MSCJ) и первый автор публикации. «Именно здесь методы глубокого обучения становятся многообещающим инструментом, выходящим за рамки классических приложений машинного обучения, таких как распознавание изображений, обработка естественного языка или AlphaGo», – добавляет соавтор Йоахим Дензлер из группы компьютерного зрения Университета Фридриха Шиллера в Йене (бывший СССР). и член MSCJ.
Примеры применения – экстремальные явления, такие как распространение пожаров или ураганы, которые представляют собой очень сложные процессы, на которые влияют местные условия, а также их временной и пространственный контекст. Это также относится к атмосферному и океанскому переносу, движению почвы и динамике растительности, некоторым из классических тем науки о системе Земли.
Искусственный интеллект для улучшения моделей климата и системы Земля
Однако подходы к глубокому обучению сложны.
Все основанные на данных и статистические подходы сами по себе не гарантируют физической согласованности, сильно зависят от качества данных и могут испытывать трудности с экстраполяцией. Кроме того, очень высоки требования к емкости обработки и хранения данных. В публикации обсуждаются все эти требования и препятствия и разрабатывается стратегия эффективного сочетания машинного обучения с физическим моделированием. Если объединить обе методики, создаются так называемые гибридные модели.
Например, их можно использовать для моделирования движения воды в океане для прогнозирования температуры поверхности моря. В то время как температуры моделируются физически, движение воды в океане представлено с помощью подхода машинного обучения. «Идея состоит в том, чтобы объединить лучшее из двух миров, согласованность физических моделей с универсальностью машинного обучения, чтобы получить значительно улучшенные модели», – поясняет Маркус Райхштайн.
Ученые утверждают, что обнаружение и раннее предупреждение экстремальных явлений, а также сезонное и долгосрочное прогнозирование погоды и климата сильно выиграют от обсуждаемых подходов к глубокому обучению и гибридному моделированию.