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.
Zespół naukowców z MIT ujawnił, że mniejsze modele oparte na fizyce mogą przewyższać modele głębokiego uczenia się w przewidywaniu niektórych aspektów klimatu. Zespół odkrył, że te tradycyjne modele były bardziej precyzyjne podczas określania regionalnych temperatur powierzchni, w przeciwieństwie do oczekiwań, że skomplikowane modele sztucznej inteligencji zapewniają dokładniejsze wyniki.
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.
Co ciekawe, zespół badawczy natknął się na stronnicze oceny modeli AI. Naturalne wahania danych klimatycznych mogą zniekształcać wyniki, zawyżając dokładność tych modeli. Skłoniło to badaczy do opracowania solidniejszej metody oceny. Podczas gdy odkryli, że liniowe skalowanie wzorców (LPS) działało lepiej niż złożone modele w przewidywaniu zakresów temperatur, głębokie uczenie się okazało się bardziej obiecujące w lokalnych prognozach opadów.
Emulatory klimatu, przydatne narzędzia w tworzeniu polityki, symulują wpływ człowieka na przyszłe warunki klimatyczne. Służą one jako szybsza alternatywa dla pełnowymiarowych modeli klimatycznych, ale ich dokładność ma największe znaczenie. Porównując LPS i głębokie uczenie przy użyciu powszechnie akceptowanego zbioru danych, naukowcy z MIT odkryli, że LPS przewyższył głębokie uczenie pod względem prawie wszystkich parametrów, w tym opadów i temperatury.
Główny autor, Björn Lütjens, naukowiec z IBM Research, podkreślił ponadto, że chociaż duże metody sztucznej inteligencji ekscytują naukowców, najpierw należy wdrożyć prostsze rozwiązania. Zauważył, że kilka wyników, takich jak dane dotyczące opadów, było sprzecznych z początkowymi oczekiwaniami. Tam, gdzie zakładano, że modele głębokiego uczenia będą radzić sobie lepiej ze względu na nieliniowy wzorzec opadów, zmagały się one z długoterminowymi zmianami klimatu, czyniąc LPS faworyzowanym modelem.
Aby zapewnić dokładniejszy obraz, naukowcy sformułowali nowe ramy oceny, które uwzględniały naturalną zmienność klimatu. W tym kontekście głębokie uczenie się nieznacznie przewyższyło LPS w przewidywaniu lokalnych opadów deszczu, podczas gdy LPS pozostał modelem do przewidywania temperatury. Naukowcy następnie włączyli LPS do platformy emulacji klimatu, aby poprawić lokalne prognozy temperatury w różnych scenariuszach emisji.
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 Wielkie wyzwania klimatyczne i była częściowo sponsorowana przez Schmidt Sciences, LLC.
Więcej szczegółów można znaleźć w pełnym badaniu na stronie Journal of Advances in Modeling Earth Systems lub uzyskać dostęp do oryginalnego artykułu tutaj.
This website uses cookies.