Tre sätt Artificiell intelligens hjälper till att rädda världen

Bild av NASAs jordBild av NASAs jord

När datorer blir smartare tittar forskarna på nya sätt att utnyttja dem i miljöskydd.

När du tänker på artificiell intelligens, är den första bilden som sannolikt kommer att komma ihåg en av upplysande robotar som går, pratar och känner sig som människor. Men det finns en annan typ av AI som blir vanligare i nästan alla vetenskaper. Det är känt som maskininlärning, och det handlar om att anlita datorer i uppgiften att sortera igenom de enorma mängder data som modern teknik har gjort att vi kan generera (även "stora data").

En av platserna maskininlärning visar sig vara det mest fördelaktiga inom miljövetenskaper, som har genererat stora mängder information från att övervaka jordens olika system - underjordiska vattenförekomster, värmeklimatet eller djurmigrationen till exempel. En rad projekt har dykt upp i det här relativt nya området, kallat beräkningsbar hållbarhet, som kombinerar data som samlas om miljön med en dators förmåga att upptäcka trender och göra förutsägelser om vår planets framtid. Detta är användbart för forskare och beslutsfattare eftersom det kan hjälpa dem att utveckla planer för hur man ska leva och överleva i vår föränderliga värld. Här är en titt på bara några.

För Fåglarna - och Elefanterna

Cornell University verkar vara ledande i denna nya gräns, troligen för att den har en Institutet för beräkningsmässig hållbarhety och också för att institutets huvud, Carla P. Gomes, är en av beräkningsbarhetens pionjärer. Gomes säger att fältet började runt 2008 när National Science Foundation beviljades ett bidrag på USD 10 miljoner för att driva datavetenskapare till forskning som hade social förmån. Sedan dess har hennes team - och lag av forskare runt om i världen - tagit idén och kört med den.

Ett stort område där maskininlärning kan hjälpa miljön är med bevarande av arter. I synnerhet har Cornell-institutet arbetat med Cornell Lab of Ornithology för att kombinera den otroliga ytan av fågelskådare med vetenskaplig observation. De har utvecklat en app som heter eBird som gör det möjligt för vanliga medborgare att lämna uppgifter om de fåglar som de observerar runt dem, till exempel hur många olika arter kan hittas på en viss plats. Homs har hittills sagt att de har haft fler än 300,000-volontärer som lämnar in mer än 300 miljoner observationer, vilket motsvarar mer än 22 miljoner timmar av fältarbete.

Denna animering av trädsvallarnas årliga migration visar hur beräkningsmässig hållbarhetsteknik kan användas för att förutse befolkningsvariationer över rymden och tiden. Bild av Daniel Fink, Cornell Lab. av ornitologi

Denna animering av trädsvallarnas årliga migration visar hur beräkningsmässig hållbarhetsteknik kan användas för att förutse befolkningsvariationer över rymden och tiden. Bild av Daniel Fink, Cornell Lab. av ornitologi

Kombinera data som samlats in från eBird med laboratoriens egna observationsdata och information om artfördelning som samlats från fjärranalysnät, använder institutets modeller maskininlärning för att förutsäga var det kommer att förändras i livsmiljöer för vissa arter och de vägar längs vilka fåglar kommer att röra sig under migrering.

"Det finns stora luckor där vi inte har observationer, men om du relaterar mönster av förekomst och frånvaro ser vi att dessa fåglar är en viss typ av livsmiljö och då kan vi generalisera, säger Gomes. "Vi använder verkligen sofistikerade modeller - algoritmer från maskininlärning - för att förutsäga hur fåglarna distribueras."

De kan sedan dela sina förutsägelser med beslutsfattare och bevarande, som kan använda den för att fatta beslut om hur man bäst skyddar fågelhabitat.

Gomes säger till exempel, baserat på information som samlats in via eBird och bearbetats av partnerskapet, har Nature Conservancy upprättat en "Omvänd auktion" i torka-drabbade delar av Kalifornien, betala risodlare för att behålla vatten i deras fält när fåglar sannolikt kommer att migrera och behövs av livsmiljöer. "Det här är bara möjligt eftersom vi har avancerade beräkningsmodeller som ger oss hög precision information om hur fåglar distribueras", säger Gomes.

Fåglar är inte det enda forskningsområdet. Mycket av institutets arbete är relaterat till bevarande av vilda djur - lyssna på timmar av skogsinspelningar för att kartlägga platsen för elefantsamtal och poachershots, till exempel eller spåra grizzlybjörnar för att utveckla en korridor som de kan använda för att röra sig säkert genom vildmarken.

Upping PACE

På NASAs Goddard Space Flight Center använder forskare Cecile Rousseaux maskininlärning för att bättre förstå fördelningen av fytoplankton (även känd som mikroalger) i oceanerna. Dessa mikroskopiska växter flyter på havets yta och producerar mycket av syret som vi andas. De utgör grunden för Oceanic Food Web. De förbrukar också koldioxid och när de dör, bär kolet med dem när de sjunker till havsbotten.

"Om vi ​​inte hade fytoplankton så skulle vi se en större ökning av koldioxid då vi ser", säger Rousseaux. På grund av detta är deras övergripande status viktig information för forskare som försöker förstå effekten av förändringar i atmosfärisk CO2 på vår planet.

{

Rousseaux använder satellitbilder och datormodellering för att förutsäga dagens och framtida förhållanden i världens oceaniska fytoplankton. För tillfället kan modellen bara beräkna det totala antalet mikroalger som lever på jorden och hur den totala förändras över tiden. Men ett nytt satellituppdrag kallas TAKT (för "Pre-Aerosol Clouds och Ocean Ecosystem"), som startar i 2022, öppnar en helt ny dataset som tittar närmare på befolkningen och kan identifiera olika arter snarare än att bara se på det hela, vilket kommer att väsentligt ändra den aktuella modellen.

"Modellen använder parametrar baserade på temperatur, ljus och näringsämnen för att berätta hur mycket tillväxten är. Det enda som simuleringen gör är att justera totalen, säger hon. Men det finns en rad olika typer av fytoplankton som alla interagerar med miljön på unika sätt. Diatomer, till exempel, är stora, sjunker till havsbotten mycket snabbt och behöver många näringsämnen. PACE kommer att göra det möjligt att identifiera typer av fytoplankton i olika delar av havet, utöka modellens förmåga att hjälpa oss att förstå hur mikroorganismerna påverkar atmosfärisk CO2. Det kommer också att tillåta oss att göra saker som att förutsäga farliga algblomningar och potentiellt räkna ut sätt att knacka på talanger av arter som konsumerar kol i större mängder för att bekämpa klimatförändringar.

EarthCube

Med tanke på jorden som helhet använder National Science Foundation maskininlärning för att skapa en 3-D levande modell av hela planeten. Kallas EarthCube, den digitala representationen kommer att kombinera dataset som tillhandahålls av forskare över en hel rad discipliner - mätningar av atmosfären och hydrokfären eller geokemin för oceanerna, till exempel - för att efterlikna förhållandena ovanför och under ytan. På grund av de stora mängderna data kommer kuben att omfatta, det kommer att kunna modellera olika förhållanden och förutse hur planets system kommer att svara. Och med den informationen kommer forskare att kunna föreslå sätt att undvika katastrofala händelser eller helt enkelt planera för dem som inte kan undvikas (som översvämningar eller grovt väder) innan de händer.

EarthCubeEarthCube kombinerar dataset för att skapa en modell som kan användas för att förutse och minimera skador som orsakas av katastrofala händelser.
Bild av Jeanne DiLeo / USGS
Som en del av EarthCube-projektet samarbetar den amerikanska geologiska undersökningen på ett nationellt vetenskapligt ramprojekt för att producera Digital skorpa, ett ramverk som möjliggör en mer exakt och robust förståelse av underjordiska processer i jorden, såsom grundvattenbalans och akvatiska systemets hälsa. "Vi kommer att kunna köra vetenskapliga beräkningar som visar grundvattennivån över tid, och vi kan gropa det mot framtida scenarier", säger Sky Bristol, filialchef för biogeografisk karaktärisering vid USGS och USGS-ledningen för EarthCube Digital Crust-projektet .

Maskininlärning kommer också att spela när två modeller från olika delar av kuben (som skorpan och atmosfären) måste interagera med varandra, säger Bristol. Till exempel, hur ser det ut när det finns en ökning av grundvattenutvinningen och en ökning av värmeklimatet samtidigt?

Digital Crust är planerad att vara klar i sommar. Digital Crust och alla EarthCube-projekt gör sin data och programvara öppen källkod. Så inom några år kommer alla att kunna använda maskininlärning för att göra förutsägelser om alla möjligheter för en framtida jord. Och det betyder geovetenskapliga, som arbetar för att förstå jordens olika system och hur förändringar inom dem kommer att påverka mänskligheten, kommer att få ett nytt verktyg som gör att de kan dela data med varandra från hela världen - vilket ger sina förutsägelser större inverkan och ger människor möjlighet att agera, snarare än reagera, till vår föränderliga värld.

Dessa exempel är bara en liten del av den stora bilden av hur beräkningsbar hållbarhet kan förändras - och förändras - vår förmåga att göra människors liv på jorden mer hållbart. Endast hos Cornell är andra projekt som använder tekniken kartläggning av fattigdomsområden och effekten av fattigdomsbekämpning i utvecklade länder, bestämning av effekterna av skördepolitiken på havsfiske, upptäckande av nya material som kan användas för att fånga upp solenergi, bestämma effekterna av skepp slår på valpopulationer och till och med kasta ljus över effektiviteten och konsekvenserna av ökade bensinskatter i USA Om nuvarande trender är någon indikation kan vi förvänta oss att höra mycket mer i år framåt om hur artificiell intelligens hjälper oss att göra världen en bättre plats att bo på lång sikt.

Denna artikel publicerades ursprungligen på Ensia Visa Ensia hemsida

Om författaren

biba erinErin Biba är en New York City-baserad frilansvetenskaplig journalist. Hennes arbete visas regelbundet i Newsweek, Scientific American och Mythbusters ' Tested.com.

Relaterad bok

{amazonWS: searchindex = Böcker, nyckelord = 1605989649; maxresults = 1}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

följ InnerSelf på

facebook-icontwitter-iconrss-icon

Få det senaste via e-post

{Emailcloak = off}