Современные климатические исследования основаны на огромных массивах данных: спутниковые снимки, метеодатчики, океанические буи, дроны, сенсоры качества воздуха. Обрабатывать такой объем информации вручную сложно и долго, поэтому тут на помощь приходит ИИ и системы анализа больших данных.
Как нейросети меняют климатические прогнозы
В последние годы человечество столкнулось с тем, что частота, интенсивность и продолжительность экстремальных климатических явлений резко выросла. Все эти события, от штормов и наводнений до засухи, оказывают огромное влияние на мировую экономику и жизнь людей, а их последствия могут быть необратимыми. Поэтому чрезвычайно важно научиться максимально точно их прогнозировать.
За прогноз погоды отвечают климатические модели ― математические уравнения, которые описывают и учитывают взаимодействие атмосферы, океанов, ледников и биосферы. Для классических моделей необходимы огромные вычислительные мощности и длительное время для расчетов. Нейросети могут сделать это гораздо быстрее и хорошо справляются с анализом данных, на основе которых они строят прогнозы на длительное время вперед (вплоть до десятилетий). Эти прогнозы помогают понять, как изменится климат, где возможна засуха, а где, наоборот, возникнет наводнение или ураган.
Сейчас в мире работает несколько таких моделей, самыми известными из которых можно назвать GraphCast от Google DeepMind, ClimaX от Microsoft, Pangu-Weather от Huawei, AIFS в Европейском центре среднесрочных прогнозов. Их обучали на больших массивах информации о климате и погоде, они отличаются спецификациями, но все создают «универсальный симулятор атмосферы», работающий быстрее и дешевле классических численных моделей, но при этом с той же точностью.
По сути, вместо того чтобы каждый раз «просчитывать физику», модель учится на гигантском архиве погодных данных за десятки лет и начинает распознавать закономерности сама. Так нейросеть смотрит на текущее состояние атмосферы и предсказывает, как она будет меняться дальше. На это уходит уже не несколько часов, а буквально минуты или секунды.
Пример российской климатической модели на основе нейросетей
В Яндексе решили сделать собственную такую систему — «Нейрометеум». Она анализирует около 70 параметров атмосферы сразу по всей Земле и умеет строить прогноз на 10 дней вперед с часовым шагом. Сейчас она способна предсказать, что будет происходить в атмосфере каждый час.
При этом сложной задачей для таких моделей является прогнозирование осадков ― они возникают только при совпадении множества условий: влажности, движения воздуха, температуры и других параметров. Кроме того, на большей части планеты в конкретный момент дождя вообще нет, а где-то локально может идти очень сильный ливень. Нейросети тут начинают путаться и недооценивать сильные дожди.
В итоге над задачей бились несколько лет, для модели меняли способ обучения, придумали специальные функции ошибок и методы, которые помогают системе точнее находить зоны сильных дождей и лучше оценивать их интенсивность. Это сильно улучшило качество прогноза ливней и снизило систематические ошибки. Такая модель — одна из первых в мире, которая используется в рабочем погодном сервисе для миллионов пользователей.
Что могут еще могут отслеживать нейросети и как это помогает
Конечно, одним прогнозом погоды использование нейросетей в изучении и отслеживании климатической ситуации не ограничивается. Необходимо понимать, что на климат влияет огромное количество факторов ― от природных, до техногенных например, вырубка леса, появление несанкционированных свалок или загрязнение воздуха различными предприятиями. И если на первые человечество повлиять пока не в силах, снизить влияние вторых ― вполне возможно. И для этого необходимо, для начала, эти факторы выявить — как раз с этим и помогают нейросети.
Например, в Приморье МТС внедрила интеллектуальную систему видеонаблюдения, включающую более 30 камер, которая может обнаружить дым и огонь на расстоянии до 20 километров. Уфимский государственный нефтяной технический университет тестирует программу, которая находит мертвые стоящие деревья с помощью дистанционного зондирования с беспилотников. Восточно-Сибирский государственный университет технологий и управления разработал систему для прогнозирования лесных пожаров с точностью около 85%.
Сбер представил AI-систему Verda (в переводе с эсперанто — «зеленый»), которая умеет с помощью спутниковых систем определять, насколько истощена почва в регионе, ― это помогает в борьбе с опустыниванием земель. Ученые из МГУ обучили нейросеть распознавать на морских побережьях специфические виды мусора — такая система используется для мониторинга труднодоступных территорий, например, Арктики.
Самое важное в этом то, что сокращение количества ресурсов, которые тратятся на мониторинг, позволяют перейти от простой фиксации, к проактивному управлению, то есть оценке вклада источников и прогнозированию последствий и рисков: пожаров, наводнений, засухи и вырубки лесов.
ИИ становится одним из ключевых инструментов современной климатологии
Благодаря нейросетям ученые могут намного быстрее анализировать состояние планеты и реагировать на природные риски. В традиционном экологическом и климатическом мониторинге требуется много ресурсов, времени и специалистов. При этом нейросетевые системы, несмотря на необходимость начальных инвестиций, быстро окупаются, так как их эксплуатация стоит в несколько раз меньше. ООН отмечает, что в климатических решениях ИИ снижает неопределенность и улучшает принятие решений и повышает эффективность устойчивых систем.
Ранее Наука Mail писала, почему ученые бьют тревогу из-за Мирового океана.