• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Naturaleza
    Inteligencia artificial para impulsar la ciencia del sistema terrestre

    Intercambio de CO2 impulsado por el clima:los colores espectrales muestran las anomalías en el intercambio de CO2 en la tierra durante los años de El Niño. Los datos de FLUXNET se han mejorado mediante el aprendizaje automático. Las anomalías de radiación se muestran en rojo, anomalías de temperatura en verde y anomalías del agua en azul. Crédito:Martin Jung

    Un estudio de científicos alemanes de Jena y Hamburgo, publicado hoy en la revista Naturaleza , muestra que la inteligencia artificial (IA) puede mejorar sustancialmente nuestra comprensión del clima y el sistema terrestre. Especialmente, el potencial del aprendizaje profundo solo se ha agotado parcialmente hasta ahora. En particular, procesos dinámicos complejos como huracanes, propagación del fuego, y la dinámica de la vegetación se puede describir mejor con la ayuda de la IA. Como resultado, se mejorarán los modelos climáticos y del sistema terrestre, con nuevos modelos que combinan inteligencia artificial y modelado físico.

    En las últimas décadas, los atributos principalmente estáticos se han investigado utilizando enfoques de aprendizaje automático, como la distribución de las propiedades del suelo desde la escala local hasta la global. Por un tiempo, Ha sido posible abordar procesos más dinámicos mediante el uso de técnicas de aprendizaje profundo más sofisticadas. Esto permite, por ejemplo, cuantificar la fotosíntesis global en tierra con la consideración simultánea de variaciones estacionales y de corto plazo.

    Deducir leyes subyacentes a partir de datos de observación

    "De una gran cantidad de sensores, un diluvio de datos del sistema de la Tierra se ha hecho disponible, pero hasta ahora nos hemos quedado rezagados en análisis e interpretación, "explica Markus Reichstein, director gerente del Instituto Max Planck de Biogeoquímica en Jena, miembro de la junta directiva del Michael-Stifel-Center Jena (MSCJ) y primer autor de la publicación. "Aquí es donde las técnicas de aprendizaje profundo se convierten en una herramienta prometedora, más allá de las aplicaciones clásicas de aprendizaje automático, como el reconocimiento de imágenes, procesamiento de lenguaje natural o AlphaGo, "agrega el coautor Joachim Denzler del Grupo de Visión por Computadora de la Universidad Friedrich Schiller de Jena (FSU) y miembro de MSCJ. Ejemplos de aplicación son eventos extremos como propagación de incendios o huracanes, que son procesos muy complejos influenciados por las condiciones locales pero también por su contexto temporal y espacial. Esto también se aplica al transporte atmosférico y oceánico, movimiento del suelo, y dinámica de la vegetación, algunos de los temas clásicos de la ciencia del sistema terrestre.

    Inteligencia artificial para mejorar los modelos de sistemas climáticos y terrestres

    Sin embargo, Los enfoques de aprendizaje profundo son difíciles. Todos los enfoques estadísticos y basados ​​en datos no garantizan la coherencia física per se, dependen en gran medida de la calidad de los datos, y puede experimentar dificultades con las extrapolaciones. Además, el requisito de capacidad de procesamiento y almacenamiento de datos es muy alto. La publicación analiza todos estos requisitos y obstáculos y desarrolla una estrategia para combinar de manera eficiente el aprendizaje automático con el modelado físico. Si ambas técnicas se combinan, se crean los llamados modelos híbridos. Por ejemplo, se pueden utilizar para modelar el movimiento del agua del océano para predecir la temperatura de la superficie del mar. Si bien las temperaturas se modelan físicamente, el movimiento del agua del océano está representado por un enfoque de aprendizaje automático. "La idea es combinar lo mejor de dos mundos, la coherencia de los modelos físicos con la versatilidad del aprendizaje automático, para obtener modelos muy mejorados, "Markus Reichstein explica con más detalle.

    Los científicos sostienen que la detección y alerta temprana de eventos extremos, así como la predicción y proyección estacional y a largo plazo del tiempo y el clima, se beneficiarán enormemente de los enfoques de modelos híbridos y de aprendizaje profundo discutidos.


    © Ciencia https://es.scienceaq.com