人工智能促進地球系統科學

耶拿和漢堡的德國科學家今天在“ 自然 ”雜志上發表的一項研究表明，人工智能(AI)可以大大提高我們對氣候和地球系統的認識。特別是到目前為止，深度學習的潛力已經部分耗盡。特別是，在AI的幫助下，可以更好地描述復雜的動態過程，如颶風，火焰傳播和植被動態。因此，氣候和地球系統模型將得到改進，新模型結合了人工智能和物理建模。

在過去的幾十年中，主要使用機器學習方法研究靜態屬性，例如從本地到全球范圍的土壤屬性分布。一段時間以來，通過使用更復雜的深度學習技術，可以解決更多動態過程。這允許例如在同時考慮季節和短期變化的情況下量化陸地上的全球光合作用。

從觀察數據中推斷出潛在的法律

“從大量的傳感器中，大量的地球系統數據已經出現，但到目前為止，我們在分析和解釋方面一直落后，”耶拿大馬克普萊克生物地球化學研究所常務董事Markus Reichstein解釋說，目錄板Michael-Stifel-Center Jena(MSCJ)的成員，也是該出版物的第一作者。“這是深度學習技術成為一種有前途的工具，超越了經典的機器學習應用，如圖像識別，自然語言處理或AlphaGo，”共同作者，弗里德里希席勒大學耶拿計算機視覺小組(FSU)的Joachim Denzler補充說。和MSCJ的成員。應用的例子是極端事件，如火勢蔓延或颶風，這是受當地條件影響的非常復雜的過程，也受其時空背景的影響。這也適用于大氣和海洋運輸，土壤運動和植被動態，這是地球系統科學的一些經典主題。

人工智能改善氣候和地球系統模型

但是，深度學習方法很難。所有數據驅動和統計方法本身并不保證物理一致性，高度依賴于數據質量，并且可能在外推時遇到困難。此外，對數據處理和存儲容量的要求非常高。該出版物討論了所有這些要求和障礙，并制定了有效地將機器學習與物理建模相結合的戰略。如果兩種技術結合在一起，則創建所謂的混合模型。例如，它們可用于模擬海水的運動以預測海面溫度。雖然溫度是物理模擬的，但海水運動由機器學習方法表示。“這個想法是結合兩個世界中最好的，

科學家們認為，極端事件的檢測和早期預警以及季節和長期預測以及天氣和氣候的預測將極大地受益于所討論的深度學習和混合建模方法。