Εικόνα από τη Γη της NASAΕικόνα από τη Γη της NASA

Καθώς οι υπολογιστές γίνονται εξυπνότεροι, οι επιστήμονες αναζητούν νέους τρόπους για να τους εντάξουν στην προστασία του περιβάλλοντος.

Όταν σκέφτεστε την τεχνητή νοημοσύνη, η πρώτη εικόνα που πιθανότατα σας έρχεται στο μυαλό είναι μια από αισθανόμενα ρομπότ που περπατούν, μιλάνε και συγκινούν όπως οι άνθρωποι. Αλλά υπάρχει ένα διαφορετικό είδος τεχνητής νοημοσύνης που επικρατεί σχεδόν σε όλες τις επιστήμες. Είναι γνωστό ως μηχανική μάθηση και περιστρέφεται γύρω από τη δέσμευση υπολογιστών στο έργο της ταξινόμησης των τεράστιων ποσοτήτων δεδομένων που η σύγχρονη τεχνολογία μας επέτρεψε να δημιουργήσουμε (γνωστός και ως «μεγάλα δεδομένα»).

Ένα από τα μέρη όπου η μηχανική μάθηση αποδεικνύεται ότι είναι το πιο ωφέλιμο είναι οι περιβαλλοντικές επιστήμες, οι οποίες έχουν δημιουργήσει τεράστιες ποσότητες πληροφοριών από την παρακολούθηση των διαφόρων συστημάτων της Γης - υπόγειους υδροφορείς, το θερμαινόμενο κλίμα ή τη μετανάστευση των ζώων, για παράδειγμα. Μια σειρά από έργα έχουν εμφανιστεί σε αυτό το σχετικά νέο πεδίο, που ονομάζεται υπολογιστική βιωσιμότητα, που συνδυάζει δεδομένα που συλλέγονται για το περιβάλλον με την ικανότητα ενός υπολογιστή να ανακαλύπτει τάσεις και να κάνει προβλέψεις για το μέλλον του πλανήτη μας. Αυτό είναι χρήσιμο για τους επιστήμονες και τους υπεύθυνους χάραξης πολιτικής, επειδή μπορεί να τους βοηθήσει να αναπτύξουν σχέδια για το πώς να ζήσουν και να επιβιώσουν στον μεταβαλλόμενο κόσμο μας. Ακολουθεί μια ματιά σε μερικά μόνο.

Για τα πουλιά — και τους ελέφαντες

Το Πανεπιστήμιο Cornell φαίνεται να πρωτοστατεί σε αυτό το νέο σύνορο, πιθανότατα επειδή έχει ένα Ινστιτούτο Υπολογιστικής Αειφορίαςy και επίσης επειδή η επικεφαλής αυτού του ινστιτούτου, Carla P. Gomes, είναι ένας από τους πρωτοπόρους της υπολογιστικής βιωσιμότητας. Ο Γκόμες λέει ότι το πεδίο ξεκίνησε γύρω στο 2008 όταν το Εθνικό Ίδρυμα Επιστημών χορήγησε επιχορήγηση 10 εκατομμυρίων δολαρίων για να ωθήσει τους επιστήμονες υπολογιστών σε έρευνα που είχε κοινωνικά οφέλη. Από τότε η ομάδα της - και ομάδες επιστημόνων σε όλο τον κόσμο - έλαβαν την ιδέα και έτρεξαν μαζί της.

Ένας σημαντικός τομέας όπου η μηχανική μάθηση μπορεί να βοηθήσει το περιβάλλον είναι η διατήρηση των ειδών. Συγκεκριμένα, το ινστιτούτο Cornell συνεργάζεται με το Cornell Lab of Ornithology για να συνδυάσει τον απίστευτο ζήλο των πτηνών με την επιστημονική παρατήρηση. Έχουν αναπτύξει μια εφαρμογή που ονομάζεται eBird που επιτρέπει στους απλούς πολίτες να υποβάλλουν δεδομένα σχετικά με τα πουλιά που παρατηρούν γύρω τους, όπως πόσα διαφορετικά είδη μπορούν να βρεθούν σε μια δεδομένη τοποθεσία. Μέχρι στιγμής, λέει ο Γκόμες, έχουν υποβάλει πάνω από 300,000 εθελοντές περισσότερες από 300 εκατομμύρια παρατηρήσεις, που αντιστοιχεί σε περισσότερες από 22 εκατομμύρια ώρες επιτόπιας εργασίας.


εσωτερικά εγγραφείτε γραφικό


Αυτή η κινούμενη εικόνα της ετήσιας μετανάστευσης των χελιδονιών των δέντρων δείχνει πώς οι τεχνικές υπολογιστικής βιωσιμότητας μπορούν να χρησιμοποιηθούν για την πρόβλεψη των διακυμάνσεων του πληθυσμού στο χώρο και το χρόνο. Εικόνα από τον Daniel Fink, Cornell Lab. Ορνιθολογίας

Αυτή η κινούμενη εικόνα της ετήσιας μετανάστευσης των χελιδονιών των δέντρων δείχνει πώς οι τεχνικές υπολογιστικής βιωσιμότητας μπορούν να χρησιμοποιηθούν για την πρόβλεψη των διακυμάνσεων του πληθυσμού στο χώρο και το χρόνο. Εικόνα από τον Daniel Fink, Cornell Lab. Ορνιθολογίας

Συνδυάζοντας τα δεδομένα που συλλέχθηκαν από το eBird με τα δεδομένα παρατήρησης του ίδιου του εργαστηρίου και πληροφορίες σχετικά με την κατανομή των ειδών που συγκεντρώθηκαν από δίκτυα τηλεπισκόπησης, τα μοντέλα του ινστιτούτου χρησιμοποιούν μηχανική μάθηση για να προβλέψουν πού θα υπάρξουν αλλαγές στο ενδιαίτημα για ορισμένα είδη και τις διαδρομές κατά τις οποίες θα κινηθούν τα πουλιά μετανάστευση.

«Υπάρχουν μεγάλα κενά όπου δεν έχουμε παρατηρήσεις, αλλά αν συσχετίσετε τα μοτίβα εμφάνισης και απουσίας, βλέπουμε ότι σε αυτά τα πουλιά αρέσει ένα συγκεκριμένο είδος οικοτόπου και μετά μπορούμε να γενικεύσουμε», λέει ο Gomes. «Χρησιμοποιούμε πραγματικά εξελιγμένα μοντέλα - αλγόριθμους από μηχανική μάθηση - για να προβλέψουμε πώς κατανέμονται τα πουλιά».

Στη συνέχεια, μπορούν να μοιραστούν τις προβλέψεις τους με τους υπεύθυνους χάραξης πολιτικής και τους οικολόγους, οι οποίοι μπορούν να τις χρησιμοποιήσουν για να λάβουν αποφάσεις σχετικά με τον καλύτερο τρόπο προστασίας του ενδιαιτήματος των πτηνών.

Για παράδειγμα, λέει ο Gomes, με βάση πληροφορίες που συγκεντρώθηκαν μέσω του eBird και επεξεργάστηκαν από τη συνεργασία, η Nature Conservancy έχει δημιουργήσει ένα «αντίστροφη δημοπρασία» σε περιοχές της Καλιφόρνια που πλήττονται από την ξηρασία, πληρώνοντας τους αγρότες ρυζιού για να διατηρούν νερό στα χωράφια τους όταν τα πουλιά είναι πιθανό να μεταναστεύσουν και να χρειάζονται ενδιαίτημα για ενδιάμεση στάση. "Αυτό είναι δυνατό μόνο επειδή έχουμε προηγμένα υπολογιστικά μοντέλα που μας δίνουν πληροφορίες υψηλής ακρίβειας σχετικά με τον τρόπο κατανομής των πτηνών", λέει ο Gomes.

Τα πουλιά δεν είναι ο μόνος τομέας έρευνας. Μεγάλο μέρος της δουλειάς του ινστιτούτου σχετίζεται με τη διατήρηση της άγριας ζωής - ακούγοντας ώρες ηχογραφήσεων στο δάσος για τη χαρτογράφηση της θέσης των κλήσεων ελεφάντων και των πυροβολισμών λαθροκυνηγών, για παράδειγμα, ή παρακολούθηση αρκούδων γκρίζλι για να δημιουργήσουν έναν διάδρομο που μπορούν να χρησιμοποιήσουν για να κινούνται με ασφάλεια στην έρημο.

Ανεβάζοντας το PACE

Στο Κέντρο Διαστημικών Πτήσεων Goddard της NASA, η ερευνήτρια Cecile Rousseaux χρησιμοποιεί τη μηχανική μάθηση για να κατανοήσει καλύτερα την κατανομή του φυτοπλαγκτού (γνωστό και ως μικροφύκη) στους ωκεανούς. Αυτά τα μικροσκοπικά φυτά επιπλέουν στην επιφάνεια των θαλασσών και παράγουν μεγάλο μέρος του οξυγόνου που αναπνέουμε. Αποτελούν το θεμέλιο του θαλάσσιου τροφικού ιστού. Καταναλώνουν επίσης διοξείδιο του άνθρακα και, όταν πεθάνουν, μεταφέρουν τον άνθρακα μαζί τους καθώς βυθίζονται στον πυθμένα του ωκεανού.

«Αν δεν είχαμε φυτοπλαγκτόν, θα βλέπαμε μεγαλύτερη αύξηση στο διοξείδιο του άνθρακα, τότε που βλέπουμε», λέει ο Rousseaux. Εξαιτίας αυτού, η συνολική τους κατάσταση είναι απαραίτητη πληροφορία για τους ερευνητές που προσπαθούν να κατανοήσουν την επίδραση των αλλαγών στο ατμοσφαιρικό CO2 στον πλανήτη μας.

{{youtube}eM5lX9RQzZ4{/youtube}

Ο Rousseaux χρησιμοποιεί δορυφορικές εικόνες και μοντελοποίηση υπολογιστή για να προβλέψει τις τρέχουσες και μελλοντικές συνθήκες του ωκεάνιου φυτοπλαγκτού στον κόσμο. Προς το παρόν, το μοντέλο είναι σε θέση να εκτιμήσει μόνο τον συνολικό αριθμό των μικροφυκών που ζουν στη Γη και πώς αυτό το σύνολο αλλάζει με την πάροδο του χρόνου. Αλλά κάλεσε μια νέα δορυφορική αποστολή ΕΙΡΗΝΗ (για το «Προ-αερολύματα σύννεφα και το ωκεάνιο οικοσύστημα»), που θα ξεκινήσει το 2022, θα ανοίξει ένα εντελώς νέο σύνολο δεδομένων που θα εξετάζει πιο προσεκτικά τον πληθυσμό και θα μπορεί να αναγνωρίζει διαφορετικά είδη αντί να κοιτάζει απλώς το σύνολο, κάτι που ουσιαστικά θα αλλάξτε το τρέχον μοντέλο.

«Το μοντέλο χρησιμοποιεί παραμέτρους που βασίζονται στη θερμοκρασία, το φως και τα θρεπτικά συστατικά για να μας πει το μέγεθος της ανάπτυξης. Το μόνο πράγμα που κάνει η προσομοίωση είναι να προσαρμόζει το σύνολο», λέει. Αλλά υπάρχουν πολλά διαφορετικά είδη φυτοπλαγκτού που όλα αλληλεπιδρούν με το περιβάλλον με μοναδικούς τρόπους. Τα διάτομα, για παράδειγμα, είναι μεγάλα, βυθίζονται στον πυθμένα του ωκεανού πολύ γρήγορα και χρειάζονται πολλά θρεπτικά συστατικά. Το PACE θα καταστήσει δυνατό τον εντοπισμό των τύπων φυτοπλαγκτού σε διάφορα μέρη του ωκεανού, επεκτείνοντας την ικανότητα του μοντέλου να μας βοηθήσει να κατανοήσουμε πώς οι μικροοργανισμοί επηρεάζουν το ατμοσφαιρικό CO2. Θα μας επιτρέψει επίσης να κάνουμε πράγματα όπως η πρόβλεψη επικίνδυνων ανθήσεων φυκιών και πιθανώς να βρούμε τρόπους για να αξιοποιήσουμε τα ταλέντα των ειδών που καταναλώνουν άνθρακα σε μεγαλύτερες ποσότητες για την καταπολέμηση της κλιματικής αλλαγής.

EarthCube

Μιλώντας για τη Γη συνολικά, το Εθνικό Ίδρυμα Επιστημών χρησιμοποιεί μηχανική μάθηση για να δημιουργήσει ένα τρισδιάστατο ζωντανό μοντέλο ολόκληρου του πλανήτη. Ονομάζεται EarthCube, η ψηφιακή αναπαράσταση θα συνδυάζει σύνολα δεδομένων που παρέχονται από επιστήμονες σε μια ολόκληρη σειρά επιστημονικών κλάδων - μετρήσεις της ατμόσφαιρας και της υδρόσφαιρας ή τη γεωχημεία των ωκεανών, για παράδειγμα - για να μιμηθεί τις συνθήκες πάνω, πάνω και κάτω από την επιφάνεια. Λόγω των τεράστιων ποσοτήτων δεδομένων που θα περιλαμβάνει ο κύβος, θα μπορεί να μοντελοποιεί διαφορετικές συνθήκες και να προβλέπει πώς θα ανταποκριθούν τα συστήματα του πλανήτη. Και με αυτές τις πληροφορίες, οι επιστήμονες θα μπορούν να προτείνουν τρόπους για την αποφυγή καταστροφικών γεγονότων ή απλώς να σχεδιάζουν εκείνα που δεν μπορούν να αποφευχθούν (όπως πλημμύρες ή κακοκαιρία) πριν συμβούν.

EarthCubeΤο EarthCube συνδυάζει σύνολα δεδομένων για να δημιουργήσει ένα μοντέλο που μπορεί να χρησιμοποιηθεί για την πρόβλεψη και την ελαχιστοποίηση των ζημιών που προκαλούνται από καταστροφικά γεγονότα.
Εικόνα από την Jeanne DiLeo/USGS
Ως μέρος του έργου EarthCube, το Γεωλογικό Ινστιτούτο των ΗΠΑ συνεργάζεται σε ένα έργο Εθνικού Επιστημονικού Πλαισίου για την παραγωγή του Ψηφιακή κρούστα, ένα πλαίσιο που θα επιτρέψει την ακριβέστερη και εύρωστη κατανόηση των υπόγειων διεργασιών στη Γη, όπως η ισορροπία των υπόγειων υδάτων και η υγεία των συστημάτων υδροφορέων. «Θα είμαστε σε θέση να εκτελέσουμε επιστημονικούς υπολογισμούς που δείχνουν το επίπεδο των υπόγειων υδάτων με την πάροδο του χρόνου και μπορούμε να το αντιμετωπίσουμε με μελλοντικά σενάρια», λέει ο Sky Bristol, επικεφαλής του τμήματος βιογεωγραφικών χαρακτηριστικών στο USGS και την ομάδα USGS για το έργο EarthCube Digital Crust. .

Η μηχανική μάθηση παίζει επίσης ρόλο όταν δύο μοντέλα από διαφορετικά μέρη του κύβου (όπως ο φλοιός και η ατμόσφαιρα) πρέπει να αλληλεπιδράσουν μεταξύ τους, λέει ο Bristol. Για παράδειγμα, πώς φαίνεται όταν υπάρχει μια αύξηση στην εξόρυξη υπόγειων υδάτων και επίσης μια αύξηση του θερμαινόμενου κλίματος ταυτόχρονα;

Το Digital Crust έχει προγραμματιστεί να ολοκληρωθεί αυτό το καλοκαίρι. Το Digital Crust και όλα τα έργα EarthCube κάνουν τα δεδομένα και το λογισμικό τους ανοιχτό κώδικα. Έτσι, μέσα σε λίγα χρόνια, οποιοσδήποτε θα μπορεί να χρησιμοποιήσει τη μηχανική μάθηση για να κάνει προβλέψεις σχετικά με όλες τις δυνατότητες μιας μελλοντικής Γης. Και αυτό σημαίνει ότι οι γεωεπιστήμονες, που εργάζονται για να κατανοήσουν τα διάφορα συστήματα της Γης και πώς οι αλλαγές μέσα σε αυτά θα επηρεάσουν την ανθρωπότητα, θα έχουν ένα νέο εργαλείο που τους επιτρέπει να μοιράζονται δεδομένα μεταξύ τους από όλο τον κόσμο - δίνοντας στις προβλέψεις τους μεγαλύτερο αντίκτυπο και δίνοντας στους ανθρώπους μια ευκαιρία να δράσουμε, αντί να αντιδράσουμε, στον μεταβαλλόμενο κόσμο μας.

Αυτά τα παραδείγματα είναι μόνο ένα μικρό μέρος της μεγάλης εικόνας του πώς η υπολογιστική βιωσιμότητα μπορεί να αλλάξει - και αλλάζει - την ικανότητά μας να κάνουμε την ανθρώπινη ζωή στη Γη πιο βιώσιμη. Μόνο στο Cornell, άλλα έργα που χρησιμοποιούν την τεχνολογία περιλαμβάνουν τη χαρτογράφηση περιοχών φτώχειας και την αποτελεσματικότητα του μετριασμού της φτώχειας στις ανεπτυγμένες χώρες, τον προσδιορισμό του αντίκτυπου των πολιτικών συγκομιδής στην αλιεία των ωκεανών, την ανακάλυψη νέων υλικών που μπορούν να χρησιμοποιηθούν για τη δέσμευση της ηλιακής ενέργειας, τον προσδιορισμό του αντίκτυπου της χτυπήματα πλοίων σε πληθυσμούς φαλαινών, ακόμη και φωτισμός της αποτελεσματικότητας και των επιπτώσεων των αυξημένων φόρων για τη βενζίνη στις ΗΠΑ Εάν οι τρέχουσες τάσεις αποτελούν ένδειξη, μπορούμε να αναμένουμε να ακούσουμε πολλά περισσότερα τα επόμενα χρόνια για το πώς η τεχνητή νοημοσύνη μας βοηθά να φτιάξουμε τον κόσμο ένα καλύτερο μέρος για να ζήσετε μακροπρόθεσμα.

Αυτό το άρθρο αρχικά εμφανίστηκε Ensia Προβολή της αρχικής σελίδας Ensia

Σχετικά με το Συγγραφέας

μπιμπα ερινΗ Erin Biba είναι ανεξάρτητη επιστημονική δημοσιογράφος με έδρα τη Νέα Υόρκη. Η δουλειά της εμφανίζεται τακτικά στο Newsweek, Scientific American και The Mythbusters' Tested.com.

Σχετικό βιβλίο

at