Uno studio di scienziati tedeschi di Jena e Amburgo, pubblicato oggi sulla rivista Natura , mostra che l'intelligenza artificiale (AI) può migliorare sostanzialmente la nostra comprensione del clima e del sistema Terra. Soprattutto il potenziale del deep learning è stato finora solo parzialmente esaurito. In particolare, processi dinamici complessi come uragani, propagazione del fuoco, e le dinamiche della vegetazione possono essere meglio descritte con l'aiuto dell'IA. Di conseguenza, i modelli del clima e del sistema Terra saranno migliorati, con nuovi modelli che combinano intelligenza artificiale e modellazione fisica.

Negli ultimi decenni sono stati studiati principalmente attributi statici utilizzando approcci di apprendimento automatico, come la distribuzione delle proprietà del suolo dalla scala locale a quella globale. Da un po 'di tempo, è stato possibile affrontare processi più dinamici utilizzando tecniche di deep learning più sofisticate. Ciò consente, ad esempio, di quantificare la fotosintesi globale sulla terraferma con considerazione simultanea delle variazioni stagionali ea breve termine.

Dedurre le leggi sottostanti dai dati di osservazione

"Da una pletora di sensori, è diventato disponibile un diluvio di dati del sistema terrestre, ma finora siamo rimasti indietro nell'analisi e nell'interpretazione, " spiega Markus Reichstein, amministratore delegato dell'Istituto Max Planck per la biogeochimica di Jena, membro del consiglio direttivo del Michael-Stifel-Center Jena (MSCJ) e primo autore della pubblicazione. "È qui che le tecniche di deep learning diventano uno strumento promettente, oltre le classiche applicazioni di apprendimento automatico come il riconoscimento delle immagini, elaborazione del linguaggio naturale o AlphaGo, " aggiunge il coautore Joachim Denzler del Computer Vision Group della Friedrich Schiller University Jena (FSU) e membro di MSCJ. Esempi di applicazione sono eventi estremi come incendi o uragani, che sono processi molto complessi influenzati dalle condizioni locali ma anche dal loro contesto temporale e spaziale. Questo vale anche per il trasporto atmosferico e marittimo, movimento del suolo, e dinamica della vegetazione, alcuni dei temi classici della scienza del sistema terrestre.

Intelligenza artificiale per migliorare i modelli del clima e del sistema Terra

Però, gli approcci di apprendimento profondo sono difficili. Tutti gli approcci basati sui dati e statistici non garantiscono la consistenza fisica di per sé, dipendono fortemente dalla qualità dei dati, e può incontrare difficoltà con le estrapolazioni. Oltretutto, il fabbisogno di capacità di elaborazione e archiviazione dei dati è molto elevato. La pubblicazione discute tutti questi requisiti e ostacoli e sviluppa una strategia per combinare in modo efficiente l'apprendimento automatico con la modellazione fisica. Se entrambe le tecniche sono unite, vengono creati i cosiddetti modelli ibridi. Ad esempio, possono essere utilizzati per modellare il movimento dell'acqua oceanica per prevedere la temperatura della superficie del mare. Mentre le temperature sono modellate fisicamente, il movimento dell'acqua oceanica è rappresentato da un approccio di apprendimento automatico. "L'idea è quella di unire il meglio di due mondi, la coerenza dei modelli fisici con la versatilità del machine learning, per ottenere modelli notevolmente migliorati, " Markus Reichstein spiega ulteriormente.

Gli scienziati sostengono che il rilevamento e l'allerta precoce di eventi estremi, nonché la previsione e la proiezione stagionali ea lungo termine del tempo e del clima trarranno grande beneficio dai discussi approcci di deep learning e modelli ibridi.