Pagrindiniai pasiėmimai
- AI modeliai gali padėti prognozuoti klimato kaitą, sako ekspertai.
- Naujas AI įrankis, vadinamas IceNet, leistų mokslininkams tiksliai prognozuoti Arkties jūros ledo gylį.
-
AI ir orų analizė taip pat gali padėti kovoti su klimato kaita, nes tiekimo grandinėje sumažėja išmetamų teršalų kiekis.
Gyvenant įrodymams, kad ekstremalų šios vasaros orą lėmė klimato kaita, dirbtinis intelektas padeda numatyti, kur pasikeis sąlygos.
Naujas AI įrankis leistų mokslininkams tiksliau prognozuoti Arkties jūros ledo mėnesius ateityje. Pasak mokslininkų, „IceNet“beveik 95% tiksliai nuspėja, ar jūros ledas bus prieš du mėnesius. Tai vienas iš augančių AI panaudojimo būdų prognozuojant klimato kaitą.
„AI žymiai pagerino sudėtingų klimato modelių, kurie istoriškai buvo imlūs skaičiavimams, efektyvumą“, – interviu el. paštu „Lifewire“sakė Danielis Intolubbe-Chmilas, „Harbor Research“analitikas.
Nėra ledo, ledas, kūdikis
IceNet dirba su didžiuliu iššūkiu sudaryti tikslias Arkties jūros ledo prognozes ateinančiam sezonui. Tyrėjai aprašė, kaip veikia IceNet, neseniai paskelbtame žurnale Nature Communications.
„Arkties regiono oro temperatūra šalia paviršiaus pakilo 2–3 kartus greičiau nei pasaulio vidurkis. Šis reiškinys vadinamas Arkties sustiprėjimu, kurį sukelia keli teigiami atsiliepimai“, – rašo mokslininkai. „Augstanti temperatūra suvaidino pagrindinį vaidmenį mažinant Arkties jūros ledą, o rugsėjį jūros ledo plotas yra maždaug perpus mažesnis nei 1979 m., kai buvo pradėti palydoviniai Arkties matavimai."
Jūros ledą sunku prognozuoti dėl sudėtingo ryšio su aukščiau esančia atmosfera ir apačioje esančiu vandenynu, teigia straipsnio autoriai. Skirtingai nuo įprastų prognozavimo sistemų, kurios bando tiesiogiai modeliuoti fizikos įstatymus, mokslininkai sukūrė IceNet, remdamiesi koncepcija, vadinama giliuoju mokymusi. Taikant šį metodą, modelis „išmoksta“, kaip keičiasi jūros ledas iš tūkstančius metų gautų klimato modeliavimo duomenų ir dešimtmečių stebėjimo duomenų, kad būtų galima numatyti Arkties jūros ledo mastą ateinančiais mėnesiais.
„Arktis yra klimato kaitos priekinėje linijoje esantis regionas ir per pastaruosius 40 metų pastebimai atšilo“, – naujienose sakė pagrindinis šio straipsnio autorius Tomas Anderssonas, BAS AI laboratorijos duomenų mokslininkas. paleisti. „IceNet gali užpildyti neatidėliotiną spragą prognozuojant jūros ledą Arkties tvarumo pastangoms ir veikia tūkstančius kartų greičiau nei tradiciniai metodai“.
AI perduoda platų tinklą
Kiti AI simuliatoriai taip pat stebi klimato kaitą. Pavyzdžiui, mokslininkai panaudojo „Deep Emulator Network Search“techniką, kad pagerintų suodžių ir aerozolių atspindžio ir sugeria saulės šviesą modeliavimą. Tyrimo metu nustatyta, kad emuliatorius buvo 2 milijardus kartų greitesnis ir daugiau nei 99,999 % identiškas jų fiziniam modeliavimui.
AI ir orų analizė taip pat gali padėti kovoti su klimato kaita, nes sumažina išmetamųjų teršalų kiekį tiekimo grandinėje, interviu el. paštu Lifewire sakė orų prognozių bendrovės DTN viceprezidentas Renny Vandewege.
Pavyzdžiui, laivyboje, oro sąlygoms optimizuotas maršrutas gali sumažinti išmetamųjų teršalų kiekį iki 4 % ir degalų sąnaudas iki 10 %, o aviacijos pramonėje nustatant oro sąlygas galima išvengti nereikalingo maršruto keitimo, kad būtų išvengta blogo oro, arba skrieti aplink oro uostą, laukiantį nusileidimo“, – sakė jis.
Tikslus kelių tinklų prognozavimas gali sumažinti nereikalingą žiemos kelių apdorojimą ir kenksmingų cheminių medžiagų skaičių, sakė Vandenwege.
„Užuot tvarkyti visą važiuojamąją dalį, kelių priežiūros ekipažai gali pasirinkti apdoroti pasirinktas kelio vietas, kuriose yra š altų kelių ruožų, arba gali nuspręsti, ar gydymas apskritai reikalingas“, – pridūrė jis.
Mašininis mokymasis ir dirbtinio intelekto modeliai vis dažniau naudojami siekiant padėti suprasti išmetamo CO2 ir metano kiekį, interviu el. paštu „Lifewire“sakė Marty Bell, orų prognozių bendrovės „WeatherFlow“vyriausiasis mokslo pareigūnas.
„Modeliai taip pat didina mūsų atsparumą klimato kaitai, nes padeda mums keisti požiūrį į energijos gamybą ir naudojimą“, – sakė Bellas. „Nors daugelis šių dirbtinio intelekto taikomųjų programų veikia dideliu mastu komunalinių paslaugų energijos paskirstymo sistemose, kitos veikia namų ūkyje, kur ML informuoja DI modelius, įterptus į kasdienius daiktų interneto įrenginius, kurie efektyviau valdo energijos naudojimą namuose.
