Wpływ sztucznej inteligencji na wiele branż jest oszałamiający, a nauka o klimacie nie pozostaje w tyle w tej transformacji. Chociaż naukowcy zajmujący się ochroną środowiska wykorzystują zaawansowane modele sztucznej inteligencji do prognozowania zmian warunków klimatycznych i pogodowych, badania wskazują, że większe nie zawsze oznacza lepsze – zwłaszcza w przypadku prognoz klimatycznych.
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, profesor w Instytucie Danych, Systemów i Społeczeństwa przy MIT, podkreśliła potrzebę tworzenia modeli przydatnych dla decydentów. Według niej, choć sztuczna inteligencja może kusić naukowców, przed podążaniem za modą na sztuczną inteligencję należy koniecznie pamiętać o istocie problemu.
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.
Jak zauważył współautor Raffaele Ferrari, celem tych badań nie jest uznanie jednej metody za lepszą od innych, lecz podkreślenie znaczenia stosowania odpowiednich narzędzi do rozwiązywania konkretnych problemów. Naukowcy mają nadzieję, że dzięki ich pracy powstaną bardziej udoskonalone techniki porównawcze, które pozwolą badaczom wyłonić modele najlepiej dostosowane do różnych zadań związanych z prognozowaniem klimatu.
Lütjens jest przekonany, że dzięki ulepszonemu testowi porównawczemu symulacji klimatu bardziej złożone modele uczenia maszynowego będą w stanie rozwiązać problemy, które obecnie stanowią wyzwanie, takie jak wpływ aerozoli czy prognozowanie ekstremalnych opadów. Te niezwykłe badania są częścią projektu MIT… 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.
Ta strona używa plików cookie.