Bilde av NASAs jordBilde av NASAs jord

Etter hvert som datamaskiner blir smartere, ser forskerne på nye måter å benytte seg av i miljøvern.

Når du tenker på kunstig intelligens, er det første bildet som sannsynligvis kommer til å tenke, en av sentriske roboter som går, snakker og emoteer som mennesker. Men det er en annen type AI som blir utbredt i nesten alle vitenskapene. Det er kjent som maskinlæring, og det dreier seg om å anskaffe datamaskiner i oppgave å sortere gjennom de enorme mengdene data som moderne teknologi har gitt oss mulighet til å generere (også "store data").

En av maskinlæringenes plasser viser seg å være den mest fordelaktige i miljøvitenskapen, som har generert stor mengde informasjon fra å overvåke jordens ulike systemer - underjordiske akvarier, oppvarmings klimaet eller dyreflytting, for eksempel. Et stort antall prosjekter har dukket opp i dette relativt nye feltet, kalt beregningsmessig bærekraft, som kombinerer data samlet om miljøet med datamaskinens evne til å oppdage trender og lage spådommer om planetenes fremtid. Dette er nyttig for forskere og beslutningstakere fordi det kan hjelpe dem med å utvikle planer for hvordan man skal leve og overleve i vår forandrede verden. Her er en titt på bare noen få.

For fuglene - og elefantene

Cornell University synes å være ledende i denne nye grensen, sannsynligvis fordi den har en Institutt for databehandlingstabilitety og også fordi instituttets hode, Carla P. Gomes, er en av beretningsmessige bærekraftens pionerer. Gomes sier at feltet startet rundt 2008 da National Science Foundation ga et US $ 10 millioner stipend for å skyve datavitenskapere inn i forskning som hadde sosial fordel. Siden da har hennes team - og lag av forskere rundt om i verden - tatt ideen og løp med det.

Et stort område hvor maskinlæring kan hjelpe miljøet er med artens bevaring. Spesielt har Cornell instituttet jobbet med Cornell Lab of Ornithology for å kombinere den utrolige iver av birders med vitenskapelig observasjon. De har utviklet en app som heter eBird som gjør det mulig for vanlige borgere å levere data om fuglene de observerer rundt dem, for eksempel hvor mange forskjellige arter kan bli funnet på et gitt sted. Så langt sier Gomes, at de har fått mer enn 300,000-frivillige, sende inn mer enn 300 millioner observasjoner, som utgjør mer enn 22 millioner timer med feltarbeid.


innerself abonnere grafikk


Denne animasjonen av tre svaler 'årlig migrasjon viser hvordan beregningsmessige bærekraftsteknikker kan brukes til å forutse populasjonsvariasjoner over tid og rom. Bilde av Daniel Fink, Cornell Lab. av ornitologi

Denne animasjonen av tre svaler 'årlig migrasjon viser hvordan beregningsmessige bærekraftsteknikker kan brukes til å forutse populasjonsvariasjoner over tid og rom. Bilde av Daniel Fink, Cornell Lab. av ornitologi

Kombinere data hentet fra eBird med laboratoriets egne observasjonsdata og informasjon om artedistribusjon samlet fra fjern sensing nettverk, bruker instituttets modeller maskinlæring for å forutsi hvor det vil forekomme endringer i habitat for enkelte arter og stiene langs hvilke fuglene vil bevege seg under migrasjon.

"Det er store hull hvor vi ikke har observasjoner, men hvis du forholder oss til mønstre av forekomst og fravær, ser vi at disse fuglene er en bestemt slags habitat, og da kan vi generalisere, sier Gomes. "Vi bruker virkelig sofistikerte modeller - algoritmer fra maskinlæring - for å forutsi hvordan fuglene fordeles."

De kan da dele sine spådommer med beslutningstakere og naturvernere, som kan bruke den til å ta beslutninger om hvordan man best mulig kan beskytte fuglens habitat.

For eksempel sier Gomes, basert på informasjon samlet gjennom eBird og behandlet av partnerskapet, har The Nature Conservancy satt opp en "Omvendt auksjon" i tørkeferdige deler av California, betaler risbøndene for å beholde vann i deres felt når fugler sannsynligvis vil migrere og ha behov for mellomlanding. "Dette er bare mulig fordi vi har avanserte beregningsmodeller som gir oss høy presisjon informasjon om hvordan fugler fordeles," sier Gomes.

Fugler er ikke det eneste forskningsområdet. Mye av instituttets arbeid er knyttet til dyrelivsbeskyttelse - lytter til timer med skogopptak for å kartlegge plasseringen av elefantsamtaler og poachershots, for eksempel, eller spore grizzlybjörn for å utvikle en korridor de kan bruke til å bevege seg trygt gjennom villmarken.

Opping PACE

På NASAs Goddard Space Flight Center bruker forsker Cecile Rousseaux maskinlæring for å bedre forstå fordelingen av fytoplankton (også kjent som mikroalger) i havene. Disse mikroskopiske plantene flyter på overflaten av havene og produserer mye av oksygenet vi puster. De danner grunnlaget for Oceanic Food Web. De forbruker også karbondioksid, og når de dør, bære karbonet med dem når de synker til havbunnen.

"Hvis vi ikke hadde planteplankton, ville vi se en større økning i karbondioksid da vi ser," sier Rousseaux. På grunn av dette er deres generelle status viktig informasjon for forskere som forsøker å forstå effekten av endringer i atmosfærisk CO2 på planeten vår.

{{youtube}eM5lX9RQzZ4{/youtube}

Rousseaux bruker satellittbilder og datamodellering for å forutsi dagens og fremtidige forhold i verdens oceaniske fytoplankton. For øyeblikket er modellen bare i stand til å estimere det totale antallet mikroalger som lever på jorden, og hvordan den totale endrer seg over tid. Men et nytt satellittoppdrag kalt PACE (for "Pre-Aerosol Clouds and Ocean Ecosystem"), lanserer i 2022, åpner et helt nytt datasett som ser nærmere på befolkningen og kan identifisere forskjellige arter i stedet for å se på det hele, noe som vil vesentlig endre gjeldende modell.

"Modellen bruker parametere basert på temperatur, lys og næringsstoffer for å fortelle oss mengden vekst. Den eneste simuleringen gjør er å justere totalen, sier hun. Men det er en rekke forskjellige typer fytoplankton som alle samhandler med miljøet på unike måter. Diatomer, for eksempel, er store, synke til havbunnen veldig fort og trenger mye næringsstoffer. PACE vil gjøre det mulig å identifisere typer fytoplankton i ulike deler av havet, utvide modellens evne til å hjelpe oss å forstå hvordan mikroorganismer påvirker atmosfærisk CO2. Det vil også gjøre det mulig for oss å gjøre ting som å forutsi farlige algblomstrer og potensielt finne ut måter å trykke på talenter av arter som forbruker karbon i større mengder for å bekjempe klimaendringer.

EarthCube

Med tanke på Jorden som helhet bruker National Science Foundation maskinlæring for å skape en 3-D levende modell av hele planeten. Kalt EarthCube, den digitale representasjonen vil kombinere datasett fra forskere på tvers av en hel rekke disipliner - målinger av atmosfæren og hydrokfæren eller geokjemien til havene, for eksempel - for å etterligne forhold på, over og under overflaten. På grunn av store mengder data som kuben kommer til å omfatte, vil den kunne modellere forskjellige forhold og forutsi hvordan planets systemer vil reagere. Og med den informasjonen, vil forskere kunne foreslå måter å unngå katastrofale hendelser eller bare planlegge for de som ikke kan unngås (for eksempel flom eller grovt vær) før de skjer.

EarthCubeEarthCube kombinerer datasett for å lage en modell som kan brukes til å forutsi og minimere skaden forårsaket av katastrofale hendelser.
Bilde av Jeanne DiLeo / USGS
Som en del av EarthCube-prosjektet samarbeider USA Geological Survey på et National Science Framework-prosjekt for å produsere Digital skorpe, et rammeverk som vil muliggjøre en mer nøyaktig og robust forståelse av undergrunns prosesser i Jorden, som grunnvannsbalanse og akvatiske systemer. "Vi vil kunne kjøre vitenskapelige beregninger som viser nivået på grunnvannet over tid, og vi kan pit det mot fremtidige scenarier," sier Sky Bristol, avdelingsleder for biogeografisk karakterisering ved USGS og USGS-ledelsen for EarthCube Digital Crust-prosjektet .

Maskininnlæring kommer også til å spille når to modeller fra forskjellige deler av terningen (som skare og atmosfæren) må samhandle med hverandre, sier Bristol. For eksempel, hvordan ser det ut når det er en økning i grunnvannsutvinning og en økning i oppvarmingen på samme tid?

Digital Crust er planlagt å være ferdig denne sommeren. Digital Crust og alle EarthCube-prosjekter lager data og programvare åpen kildekode. Så, noen få år vil noen kunne bruke maskinlæring for å gjøre spådommer om alle mulighetene til en fremtidig Jord. Og det betyr geoscientists som arbeider for å forstå jordens ulike systemer og hvordan endringer i dem vil påvirke menneskeheten, vil ha et nytt verktøy som gjør at de kan dele data med hverandre fra hele verden - gi sine spådommer større innflytelse og gi mennesker mulighet å handle, snarere enn å reagere, til vår foranderlige verden.

Disse eksemplene er bare en liten del av det store bildet av hvordan beregningsmessig bærekraft kan forandre seg - og forandrer seg - vår evne til å gjøre menneskeliv på Jorden mer bærekraftig. På Cornell alene er andre prosjekter som bruker teknologien kartlegging av fattigdomsområder og effekten av fattigdomsbekjempelse i utviklede land, fastsettelse av virkningen av høstpolitikk på havfiske, oppdagelse av nye materialer som kan brukes til å fange solenergi, bestemme virkningen av skipet streiker på hvalpopulasjoner og til og med kaster lys over effektiviteten og implikasjonene av økte bensinskatt i USA. Hvis dagens trender er noen indikasjon, kan vi forvente å høre mye mer i år framover om hvordan kunstig intelligens hjelper oss med å gjøre verden et bedre sted å bo på lang sikt.

Denne artikkelen opprinnelig dukket opp på Ensia Se Ensia hjemmeside

Om forfatteren

biba erinErin Biba er en New York City-basert freelance science journalist. Hennes arbeid vises regelmessig i Newsweek, Scientific American og Mythbusters ' Tested.com.

Relatert bok

at

bryte

Takk for besøket InnerSelf.com, der det er 20,000 + livsendrende artikler som fremmer "Nye holdninger og nye muligheter." Alle artikler er oversatt til 30+ språk. Bli medlem! til InnerSelf Magazine, utgitt ukentlig, og Marie T Russells Daily Inspiration. InnerSelf Magazine har blitt utgitt siden 1985.