Nel tentativo di comprendere meglio il cambiamento climatico, c'è molto che ancora non sappiamo. Ma la domanda non è se il cambiamento climatico stia avvenendo o meno. "Ciò che a volte sentiamo al telegiornale è incertezza fabbricata dalla politica, " disse Auroop Ganguly, un professore di ingegneria civile e ambientale alla Northeastern.

Anziché, L'incertezza reale sui cambiamenti climatici deriva dalla sfida di simulare il futuro. Cosa accadrà alla rete elettrica di Boston in condizioni meteorologiche estreme a lungo termine? In che modo una centrale elettrica di Phoenix sarebbe influenzata dalla diminuzione delle risorse regionali? Quando dovrebbe investire Atlanta nell'aggiornamento della sua infrastruttura idrica?

I modelli attuali sono bravi a proiettare le tendenze regionali. Ma per prepararsi adeguatamente agli effetti futuri del cambiamento climatico, gli scienziati devono ingrandire i luoghi vulnerabili come le città costiere, ecosistemi minacciati, e altri siti specifici.

In un documento presentato questa settimana alla conferenza dell'Association for Computing Machinery per la scoperta della conoscenza e il data mining, i ricercatori hanno delineato una nuova strategia per fare proprio questo.

Thomas Vandal è uno studente di dottorato in ingegneria civile e ambientale presso la Northeastern e autore principale dell'articolo, che è stato premiato con il secondo posto per il miglior articolo nella pista Applied Data Science. Vandal ha lavorato con Evan Kodra, il CEO di Northeastern spinout risQ, e i collaboratori della NASA Ames Sangram Ganguly, Andrea Michaelis, e Ramakrishna Nemani, e il suo consigliere Auroop Ganguly, sviluppare un sistema che ingrandisca i dati climatici per produrre proiezioni a risoluzione più elevata.

Insegnare ai cervelli artificiali ad imparare

La simulazione del clima è un esercizio di viaggio nel tempo. Per prevedere il futuro, i ricercatori devono prima fare il punto sul passato, in altre parole, si nascondono prima di poter prevedere.

Vandal ha visitato l'Ames Research Center della NASA dove ha raccolto e analizzato set di dati climatici storici che misurano variabili come la temperatura, pioggia, e l'elevazione geografica, così come i vasti dati satellitari della NASA. Per gestire questa colossale quantità di dati, Vandal ha sfruttato una macchina della NASA Ames chiamata Pleiades, uno dei supercomputer più potenti del mondo.

L'obiettivo del team era quello di creare un quadro per il downscaling, o l'ingrandimento, dei set di dati climatici storici. Ciò consentirebbe agli scienziati di rendere più dettagliato, proiezioni climatiche localizzate.

I ricercatori hanno fatto uso di tecnologie di deep learning all'avanguardia. L'apprendimento profondo è un'innovazione delle reti neurali artificiali, un sistema informatico basato vagamente sui sistemi nervosi biologici. Il deep learning consente alle reti neurali artificiali di riconoscere schemi ed eseguire attività.

vandalo, che si è unito a Northeastern dopo aver lavorato per più startup nell'area di Boston, ha utilizzato una tecnologia correlata chiamata machine learning nell'industria per l'analisi delle espressioni facciali e il riconoscimento delle emozioni. Ma dopo aver incontrato Auroop Ganguly, si è reso conto che la tecnologia poteva prendere una strada più virtuosa facendo la differenza nella scienza del clima, un'area a cui tiene molto.

"Piuttosto che utilizzare l'apprendimento automatico per indurre le persone a fare clic sugli annunci o a massimizzare le visualizzazioni di pagina, Ho deciso che risolvere i problemi nella scienza del clima era un uso migliore delle mie capacità e del mio tempo, "disse Vandalo.

Il risultato della ricerca del team è un framework chiamato DeepSD, che sta per downscaling statistico basato sull'apprendimento profondo. Il sistema aiuta a mettere a fuoco diversi set di dati climatici con vari gradi di dettaglio.

"Questi set di dati ridotti saranno di immenso valore per i ricercatori sul clima e i modellisti eco-climatici che vogliono studiare qualsiasi cosa, dall'impatto degli ecosistemi ai cambiamenti climatici per futuri scenari di riscaldamento, " disse Sangram Ganguly, uno dei coautori dello studio e uno scienziato ricercatore senior presso il Bay Area Environmental Research Institute presso il NASA Ames Research Center.

E questo è solo l'inizio. Vandal ritiene che il concetto DeepSD possa essere utilizzato per risolvere una serie di problemi climatici, dal monitoraggio di condizioni meteorologiche estreme alla previsione di eventi catastrofici con maggiore sicurezza. Nel mondo dell'informatica, la tecnologia è ancora agli inizi.

"Il campo dell'informatica cambia molto velocemente, " Auroop Ganguly ha detto. "Un anno è come un'era geologica in altri campi."