De Rol van Machine Learning in de Klimagegevens: Kunstmatige Intelligentie en Klimaatfysica Onderzocht

Onderzoekers hebben een lichtgewicht, met een ballon gedragen instrument gelanceerd om gegevens te verzamelen. “Om vooruitgang te boeken, hebben we wetenschappers nodig die kunnen bepalen welke gegevens we nodig hebben, die gegevens verzamelen en problemen oplossen,” zegt Bracco.

De exponentiële groei van big data en rekenkracht transformeert de klimaatwetenschap, waar machine learning een cruciale rol speelt in het in kaart brengen van de fysica van ons veranderende klimaat.

“Wat er binnen het veld gebeurt, is revolutionair,” zegt Annalisa Bracco, adjunct-voorzitter en professor aan de School of Earth and Atmospheric Sciences. Ze voegt toe dat veel klimaatgerelateerde processen—van oceaanstromingen tot smeltende gletsjers en weerspatronen—beschreven kunnen worden met fysieke vergelijkingen. Deze vooruitgangen hebben het potentieel om ons te helpen het klimaat op cruciaal belangrijke manieren te begrijpen en te voorspellen.

Bracco is de hoofdauteur van een nieuwe review die een uitgebreide kijk biedt op de kruising van AI en klimaatfysica. Dit is het resultaat van een internationale samenwerking tussen Georgia Tech’s Bracco, Julien Brajard (Nansen Environmental and Remote Sensing Center), Henk A. Dijkstra (Universiteit Utrecht), Pedram Hassanzadeh (Universiteit van Chicago), Christian Lessig (Europees Centrum voor Medium-Range Weerprognoses) en Claire Monteleoni (Universiteit van Colorado Boulder). Het artikel, “Machine learning voor de fysica van het klimaat,” is onlangs gepubliceerd in Nature Reviews Physics.

“Een van de doelen van ons team was om mensen te helpen diepgaand na te denken over hoe klimaatwetenschap en AI elkaar kruisen,” deelt Bracco mee. “Machine learning stelt ons in staat om de fysica van het klimaat te bestuderen op een manier die voorheen onmogelijk was. In combinatie met toenemende hoeveelheden gegevens en observaties kunnen we nu het klimaat op schalen en resoluties onderzoeken die we nooit eerder konden.”

Het team toonde aan dat machine learning veranderingen teweegbrengt op drie belangrijke gebieden: het in rekening brengen van ontbrekende observatiegegevens, het creëren van robuustere klimaatmodellen en het verbeteren van voorspellingen, vooral in weersvoorspellingen. Het onderzoek benadrukt echter ook de beperkingen van AI—en hoe onderzoekers kunnen werken om deze hiaten op te vullen.

“Machine learning is fantastisch geweest in het uitbreiden van de tijds- en ruimtelijke schalen waarvoor we metingen hebben,” zegt Bracco, waarbij ze uitlegt dat machine learning kan helpen om ontbrekende gegevenspunten in te vullen—wat een robuuster record creëert voor onderzoekers om naar te verwijzen. Dit werkt echter het beste als de rest van het materiaal intact is.

“Machine learning kan extrapoleren van eerdere omstandigheden wanneer observaties overvloedig zijn, maar het kan nog niet toekomstige trends voorspellen of de gegevens verzamelen die we nodig hebben,” voegt Bracco toe. “Om vooruitgang te boeken, hebben we wetenschappers nodig die kunnen bepalen welke gegevens we nodig hebben, die gegevens verzamelen en problemen oplossen.”

Machine learning wordt vaak gebruikt bij het verbeteren van klimaatmodellen die veranderende systemen zoals onze atmosfeer, oceanen, land, biochemie en ijs kunnen simuleren. “Deze modellen zijn beperkt door onze rekenkracht en worden uitgevoerd op een driedimensioneel rooster,” legt Bracco uit. Onder de resolutie van het rooster moeten onderzoekers complexe fysica benaderen met eenvoudigere vergelijkingen die computers snel kunnen oplossen, een proces dat “parameterisatie” wordt genoemd.

Machine learning verandert dat en biedt nieuwe manieren om parameterisaties te verbeteren, zegt ze. “We kunnen een model op extreem hoge resoluties voor een korte tijd draaien, zodat we niet zoveel fysieke processen hoeven te parameteriseren—door machine learning te gebruiken om de vergelijkingen af te leiden die het beste beschrijven wat er op kleine schalen gebeurt,” legt ze uit. “Dan kunnen we die vergelijkingen gebruiken in een grover model dat we honderden jaren kunnen draaien.”

Hoewel een volledig klimaatmodel dat uitsluitend op machine learning is gebaseerd misschien buiten bereik blijft, ontdekte het team dat machine learning onze mogelijkheid om weersystemen en sommige klimaatfenomenen zoals El Niño nauwkeurig te voorspellen, verbetert.

Voorheen was weersvoorspelling gebaseerd op het kennen van de startvoorwaarden—zoals temperatuur, vochtigheid en barometrische druk—en het draaien van een model op basis van fysieke vergelijkingen om te voorspellen wat er vervolgens zou kunnen gebeuren. Nu biedt machine learning onderzoekers de kans om van het verleden te leren.

“We kunnen informatie gebruiken over wat er is gebeurd wanneer er vergelijkbare startvoorwaarden waren in eerdere situaties om de toekomst te voorspellen zonder de onderliggende regerende vergelijkingen op te lossen,” zegt Bracco. “En dat alles terwijl we orders van grootte minder rekenkracht gebruiken.”

Bracco benadrukt dat terwijl AI en machine learning een cruciale rol spelen in het versnellen van onderzoek, mensen centraal staan in de vooruitgang. “Ik denk dat de persoonlijke samenwerking die heeft geleid tot dit artikel op zich al een bewijs is van het belang van menselijke interactie,” zegt ze, terwijl ze zich herinnert dat het onderzoek het resultaat was van een workshop georganiseerd aan het Kavli Institute for Theoretical Physics—een van de eerste persoonlijke discussies van het team na de COVID-19-pandemie.

“Machine learning is een fantastisch hulpmiddel—maar het is niet de oplossing voor alles,” voegt ze eraan toe. “Er is ook een echte behoefte aan menselijke onderzoekers die hoogwaardige gegevens verzamelen, en aan interdisciplinair samenwerken over verschillende vakgebieden. Ik zie dit als een grote uitdaging, maar ook als een geweldige kans voor computerwetenschappers, fysici, wiskundigen, biologen en chemici om samen te werken.”