The impact of artificial intelligence on numerous industries is breathtaking, and climate science is not left out in this transformation. As environmental scientists adopt powerful AI models to predict variations in climate and weather conditions, research indicates that bigger isn’t always better – particularly in climatic predictions.
Ein Forscherteam des MIT hat herausgefunden, dass kleinere, physikbasierte Modelle bei der Vorhersage bestimmter Aspekte des Klimas den Deep-Learning-Modellen überlegen sein könnten. Das Team fand heraus, dass diese traditionellen Modelle bei der Berechnung der regionalen Oberflächentemperaturen präziser waren, als man es von komplizierten KI-Modellen erwartet hatte, die genauere Ergebnisse liefern.
Noelle Selin, a professor at MIT’s Institute for Data, Systems, and Society, emphasized the need to create models relevant to policymakers. According to her, while AI may tempt scientists, it’s crucial to remember the problem’s essence before jumping on the AI bandwagon.
Interessanterweise stieß das Forschungsteam auf verzerrte Bewertungen von KI-Modellen. Natürliche Schwankungen in den Klimadaten können die Ergebnisse verzerren und die Genauigkeit dieser Modelle überbewerten. Dies veranlasste die Forscher, eine robustere Methode zur Bewertung zu entwickeln. Während sie feststellten, dass die lineare Musterskalierung (LPS) bei der Vorhersage von Temperaturbereichen besser abschnitt als komplexe Modelle, erwies sich Deep Learning bei der Vorhersage lokaler Niederschläge als vielversprechender.
Klima-Emulatoren, praktische Werkzeuge für die Politikgestaltung, simulieren die Auswirkungen des Menschen auf das künftige Klima. Sie dienen als schnellere Alternative zu vollwertigen Klimamodellen, aber ihre Genauigkeit ist das Wichtigste. Beim Vergleich von LPS und Deep Learning anhand eines weithin anerkannten Datensatzes stellten die MIT-Forscher fest, dass LPS bei fast allen Parametern, einschließlich Niederschlag und Temperatur, besser abschneidet als Deep Learning.
Der Hauptautor Björn Lütjens, Forscher bei IBM Research, betonte außerdem, dass große KI-Methoden die Wissenschaftler zwar begeistern, aber zunächst einfachere Lösungen umgesetzt werden müssen. Er merkte an, dass einige Ergebnisse, wie z. B. Niederschlagsdaten, den ursprünglichen Erwartungen widersprachen. Während man davon ausging, dass Deep-Learning-Modelle aufgrund des nicht linearen Musters der Niederschläge besser abschneiden würden, hatten sie mit langfristigen Klimaveränderungen zu kämpfen, so dass LPS das bevorzugte Modell war.
Um ein genaueres Bild zu erhalten, formulierten die Forscher einen neuen Bewertungsrahmen, der die natürliche Klimavariabilität berücksichtigte. In diesem Zusammenhang übertraf Deep Learning das LPS bei der Vorhersage lokaler Niederschläge geringfügig, während das LPS das beste Modell für Temperaturvorhersagen blieb. Die Forscher bauten LPS anschließend in eine Klimaemulationsplattform ein, um die lokalen Temperaturvorhersagen für verschiedene Emissionsszenarien zu verbessern.
The goal of this research, as noted by co-author Raffaele Ferrari, isn’t to declare one method as superior, but to stress the value of appropriate tools for specific problems. The researchers hope that through their work, more improved benchmarking techniques would emerge, enabling researchers to discern the most suitable models for various climate prediction tasks.
Lütjens is optimistic that with an enhanced climate emulation benchmark, more complex machine-learning models can tackle problems currently difficult to solve, such as the impacts of aerosols or estimating extreme precipitation. This remarkable research is part of MIT’s Große Klima-Herausforderungen Initiative und wurde teilweise von Schmidt Sciences, LLC gesponsert.
Weitere Einzelheiten finden Sie in der vollständigen Studie auf der Website Zeitschrift für Fortschritte bei der Modellierung von Erdsystemen oder Zugriff auf den Originalartikel hier.
Diese Website verwendet Cookies.