Намиране на игли за изменение на климата в климатичните сенопластове с помощта на машинно обучение
Намиране на игли за изменение на климата в климатичните сенопластове с помощта на машинно обучение

Видео: Намиране на игли за изменение на климата в климатичните сенопластове с помощта на машинно обучение

Видео: #40 Магдалена Малеева за климатичните промени, екоактивизма и тениса 2022, Декември
Anonim

Наскоро бяха публикувани заглавия, когато беше публикувано проучване, което установи, че сега е възможно да се идентифицират пръстовите отпечатъци от изменението на климата от резултатите за времето за един ден. Подхлъзване под радара е проучване, публикувано няколко седмици по-рано, което открива нови модели, които се привеждат в съответствие с климатичните отпечатъци с помощта на машинно обучение. Разликите между двете са поучителни.

Нулален нетен мозък, насложен над буреносните облаци
Нулален нетен мозък, насложен над буреносните облаци

Изображение, събрано от изображения от Националната лаборатория на НАСА и Оук Ридж

Нека започнем с проучването за привличане на внимание. Заглавието на статията е стряскащо и ясно, климатичните промени вече се откриват от всеки един ден на времето в глобален мащаб. Авторите - Sebastian Sippel, Nicolai Meinshausen, Erich M. Fischer, Enikő Székely и Reto Knutti - са свързани с Института за атмосферни и климатични науки, ETH Zurich в Швейцария, и свързаните с тях швейцарски и ETH данни и статистически изследователски звена. Изследването е публикувано в Nature Climate Change, водещо списание в космоса с висок фактор на въздействие 19,81 (не толкова висок, колкото доста абсурдният фактор на Nature Energy от 54, но все пак един от най-високите, които съм виждал от десетилетие за оценка на надеждността на научните изследвания по различни предмети). С други думи, произходът на изследването е солиден. Това е само едно проучване и репликацията и валидирането са важни, но стряскащият и оригинален характер на находката - еднодневно време! - прави го забележително за важно списание.

Основните констатации, както казах на Sippel в дискусия по имейл, са предимно обясними от статията (тя е огнена стена, но Sippel и сътрудничество ми предоставиха копие). Те използваха данни от исторически и климатични модели, направиха им статистически регресионен анализ и установиха, че през последните години глобалното реално време от един ден е достатъчно, за да забележи сигналните признаци на изменението на климата в температурните и валежите.

Успоредни графики на температурни аномалии в действителност спрямо прогнози
Успоредни графики на температурни аномалии в действителност спрямо прогнози

Снимки от изследването с любезното съдействие на авторите

Те разгледаха данните на NCEP1 за реалното време от цял ​​свят, внимателно и прозрачно коригирани, когато новите измервателни технологии се появиха онлайн. Те използваха модели за прогнозиране на климата CMIP5, стандартните модели на UN IPCC, които бяха валидирани шест начина от неделя, използвайки задно прогнозиране и други техники за валидиране. Разглеждането на общ исторически период на действителни и задни прогнози от 1951-1980 г. и съвременен период 2009-2018 г. Sippel посочи, че откриването на аномалии се основава на модели на задно излъчване CMIP5 от 1870-1950. Те оцениха статистическата регресия от средната стойност и за двата периода, за да идентифицират аномалии и начертаха резултатите.

И резултатите са стряскащи. И от действителността, и от климатичните модели става ясно, че има много повече температурни аномалии през последните години, отколкото в 30-годишен климатичен период в средата на 20-ти век. И е ясно, че моделът за прогнозиране на климата е почти точно съобразен с действителността, като отново осигурява валидиране на модела. Подобни резултати бяха открити за аномалии на валежите. Както казва Катрин Хейхоу, това е Global Weirding.

Както Сипел ми посочи и наблюдателите с остри очи ще забележат от графиката, това е много силно подравняване, но не е перфектно. Това е в рамките на несигурността, но ако това проучване получи крака, очаквайте онези, които се противопоставят на климатичните действия, да изберат незначителното отклонение и да се опитат да се възползват от него. Не съм търсил, но очаквам, че по-„усъвършенствани“отрицатели на климатичните промени са атакували NCEP1 специално за неговите стандартни, прозрачни и реплицируеми корекции. Отричането е дори по-предсказуемо от времето.

Sippel внимаваше да посочи няколко неща, базирани на неща, които медиите не бяха постигнали правилно преди. Това е модел за откриване, а не за приписване. Те виждат ясни доказателства за сигнал, ясно е, че няма друго правдоподобно обяснение освен антропогенно изменение на климата, основано на безброй други проучвания, но те самите не са изследвали тази връзка. Честно казано, не би трябвало да се изтъква тази точка, когато научната увереност в причинно-следствената връзка на хората с изменението на климата вече е 99,9999% и моделите на атрибуция вече могат да идентифицират пръстовите отпечатъци в конкретни големи събития като урагани в рамките на дни, но ние живеем в свят, в който FUD е широко разпространен по този въпрос. В свързана бележка това е глобален пръстов отпечатък, а не модел на приписване на екстремни събития. И, разбира се, моделът не означава, че те могат да гарантират, че изтичането на ден от - за да изберете произволна дата - 21 юни 2024 г., ще види същия пръстов отпечатък, тъй като има принудителни функции като La Nina и нея малък брат и вулканично охлаждане, които не са в обхвата на модела или са предвидими.

Различни медии бяха идентифицирали това като изследване на машинно обучение, но и това е неточно. Основната работа е извършена с помощта на усъвършенствана статистическа регресия на билото, използвайки езика R, който също се използва в изследвания на машинно обучение, но не и в този. Линията обаче е размазана. Машинното обучение често се разглежда като нов инструмент в статистическия набор от инструменти, който предлага нови възможности, но често се възпроизвежда, разширява или всъщност отстъпва на съществуващите инструменти в зависимост от задачата. И езикът донякъде се размива, тъй като по-старите техники за статистически анализ могат и често ще използват същия език като изследванията на машинното обучение.

Попитах Сипел за това и той каза:

„Статистическият модел се основава на регресия на хребета, относително широко използвана техника за регулиране. Ние го посочихме като „техника за статистическо обучение” в статията, но определено може да се разглежда като стандартна статистическа техника (но наказанието за регресия на хребета за узаконяване в статистически модели с много предиктори се използва често и в техниките за машинно обучение).”

Sippel също така ме насочи към друго свързано проучване, което не направи заглавия, Преглед на форсирани климатични модели чрез AI обектив. Авторите на това изследване - Елизабет А. Барнс, Джеймс У. Хърел, Име Еберт-Уфоф, Чък Андерсън и Дейвид Андерсън - са от Департамента по атмосферни науки, Държавен университет в Колорадо, във Форт Колинс, Колорадо и свързани академични групи, с изключение на Андерсън, който е в Pattern Exploration LLC, AI-консултантска фирма от града. Публикувано е в GeoFysical Research Letters на AGU, дългогодишно списание с уважаван и по-нормален фактор на въздействие от 4.339.

Barnes et al. е приложил конкретно подходи за машинно обучение, в един ранен опит да види каква стойност може да донесе. Те създадоха глобални карти на исторически и симулираха бъдеща температура и валежи. Те обучават невронната мрежа върху действителни факти от няколко години. След това те го оставят да предсказва само въз основа на картите коя година е възникнал конкретният модел, който са представили. Това е класически подход за машинно обучение, но приложен към нов набор от данни.

И те откриха, че това ниво на информация е достатъчно, за да може невронната им мрежа да идентифицира с добра точност годината от 60-те години насам, само въз основа на картите за пространствено разпределение на температурата и валежите. Освен всичко друго, те са в състояние да идентифицират отпечатъци от климатични промени преди почти 60 години въз основа на глобални данни.

Те също използват CMIP5, не е изненадващо. Те също използват модела CESM и най-добрия модел на бившия скептик Ричард Мюлер. Последният модел е интересен с това, че хипотезата на Мюлер за ръчни, непоследователни грешки в корекцията, които са източник на наблюдаваното глобално затопляне, е не само грешна, но всъщност обратната на реалността, тъй като затоплянето след автоматизирани, последователни корекции е малко по-високо от преди. Обичам да мисля за проучването на Мюлер като за една от най-неудовлетворителните инвестиции, които някога са правили братя Кох, дори повече от това да купуват милиони долари фалшифицирани бутилки вино.

Изследователите са използвали сравнително плитка невронна мрежа, такава с няколко слоя, тъй като дава добра прогнозна стойност и повече слоеве не увеличават значително прогнозната стойност. Те го обучават през целия период 1920–2099 г. за 500 повторения на 80% от симулациите на модела и след това тестват на останалите 20%, отново, стандартни данни за обучение спрямо разделяне на данните от теста.

Изследователите не са открили като нов резултат като идентифициране на климатичните въздействия от глобалното време за един ден, но са повторили други изследвания, използвайки нов подход, машинно обучение. Освен това те доказаха, че подходът има предимства. Както се казва в резюмето:

„Резултатите, показани тук, силно подсказват потенциалната мощ на машинното обучение за изследване на климата.“

Това е в съответствие с призива към края на 2019 г. от общността на машинното обучение, свързан с прилагането на технологията за климатичните изследвания и действия. Раздел 7 от техния доклад, автор на Кели Кочански, очертава възникващите предимства на подходите за машинно обучение при прогнозиране на климата и прогнозиране на екстремни метеорологични събития. Barnes et al. хартията е директно в съответствие с очакванията на глобалната общност за машинно обучение.

В тази приказка за две проучвания си заслужава да се разгледат няколко неща. Първо, че по-традиционните техники за статистически анализ далеч не са използвани в способността си да предоставят стойност. Те все повече се възползват от континуум от инструменти, достъпни за изследователите. Те могат да намерят модели, които е много по-трудно да се предскажат или анализират, и да намерят предсказваща стойност в масивни масиви от данни, когато хората не могат да ги различат. Но човешките също имат нервни мрежи, шантави между ушите ни и практиката на хипотеза-тест-оценка продължава да дава стойност без никакъв интелект от изкуствен вид.

Популярни по теми