Представьте себя в критически важном отделе / ​​промышленном комплексе исследований и разработок в области климата, подверженном повышенному риску, и вы проводите исчерпывающий анализ, чтобы найти только несколько тенденций в больших данных об окружающей среде. Ваше подразделение климатических исследований отвечает за ежедневное выполнение тысячи новых наблюдаемых тенденций и прогнозов. Итак, вы и ваш отдел разбираетесь в миллионах точек данных, ожидая следующей «большой серии» выводов и результатов. Что еще более важно, вы понимаете, что сборка, предварительная обработка и использование этих трендов имеет важное значение для прогнозирования следующего стихийного бедствия, засухи, урагана или сильного циклона в наступающем году. По другую сторону прохода ваш коллега-исследователь использует классический, медленно обрабатывающий алгоритм химического открытия, чтобы потенциально нацелить и оптимизировать наиболее устойчивые и энергоэффективные молекулы солнечного топлива. Вас поражает осознание того, что и вы, и ваши коллеги пытаетесь раскрыть миллиарды вариантов изменения данных об окружающей среде, используя классические традиционные подходы к науке о данных.

Летаргический послужной список объектов климатических исследований и разработок следует обычному маршруту полевых испытаний на месте и визуализации спутниковых данных. По соглашению ученые-климатологи вручную обрабатывают и анализируют библиотеки спутниковых и полевых данных для выявления / прогнозирования дискретных погодных условий и явлений. Благодаря постепенной массовой интерпретации этих данных инженеры и ученые получают полезные наборы глобальной климатической информации для работы. В области экологической инженерии и материаловедения для открытия устойчивых источников энергии инженеры должны учитывать от сотен до тысяч существующих энергетических материалов на предварительном этапе. Напротив, Глубокое обучение (DL) дает возможность анализировать и выявлять критические закономерности из климатических данных в контролируемой, частично контролируемой и неконтролируемой манере. От открытия новых молекул солнечного топлива до более эффективного управления энергопотреблением, машинное обучение способно интерпретировать и восстанавливать оболочку данных для лучшей визуализации, прогнозирования и решения проблемы надвигающегося климатического кризиса.

1. Открытие новых энергоэффективных материалов

В некоторых отношениях мы можем сравнить поиск высокооптимизированных структур молекулярной энергии с текущими разработками в области глубокого обучения и открытия лекарств. В частности, использование обучения с подкреплением (RL), генеративных / прогнозных сетей и рекуррентных нейронных сетей (RNN) могло бы послужить ступенькой на пути к химическому проектированию на основе свойств. В сочетании, RNN и генеративные модели могут создавать новые текстовые копии, сохраняя при этом контекст окружающих символов. Возьмем, к примеру, генерацию текста с помощью сетей Long Short Term Memory (LSTM), типа RNN, который может анализировать последовательные данные, хранить эти данные в ячейках памяти и обучаться передавать их по последовательности данных. Далее мы можем посмотреть аналогию с генерацией текста

Сеть LSTM может использовать примеры входных предложений и извлекать начальное число слов в контексте, чтобы предоставить следующее предсказанное слово. Такая рекурсивная и непрерывная генерация предложений возможна только при первой загрузке сети понятными и структурированными предложениями в контексте. Сеть может сохранять начальную последовательность слов в своем состоянии памяти, чтобы обеспечить предсказание следующего предсказанного слова до тех пор, пока фраза не закончится. Теперь, имея это в виду, замените этот набор данных из миллионов предложений базой данных из миллионов энергоэффективных химических формул. При открытии лекарств подобный подход «завершить предложение» используется для завершения следующего символа химической формулы. Эта центральная многослойная RNN может быть построена с сотнями уровней и, что более важно, включать сеть обучения с подкреплением (RL), которая вознаграждает и снижает архитектуру на основе итоговых оптимизаций прогнозирования.

Синтетические энергоэффективные комплексы, такие как те, что содержатся в солнечном топливе, обладают определенными физическими и химическими свойствами, лежащими в формулах используемых соединений. Теоретически исследователи смогут оптимизировать и усилить, например, свойства фотоэлектрохимических элементов или солнечных элементов, используемых в устойчивых источниках энергии. Выбирая и выражая эти дискретные химические свойства, исследователи могут сузить поиск и проверку высокоэффективных материалов более чем в десять раз.

2. Прогнозирование стихийных бедствий.

С другой стороны, важно предотвращение последовательных и разрушительных последствий стихийных бедствий посредством прогнозирования и интерпретации больших данных. Оказывается, те же алгоритмы прогнозирования, которые прогнозируют движение запасов, имеют потенциал для прогнозирования сейсмической активности, предвестников ураганов и т.д. слаборазвитых регионов, рассредоточенных в зонах повышенного риска. Нелинейность и аномальный характер данных об атмосферной погоде создают опасную ситуацию, когда ученые из уязвимых сообществ не знают, чего ожидать. Однако в исследовательской работе Шейлы Алемани и др. Под названием «Прогнозирование траекторий ураганов с помощью рекуррентной нейронной сети» для моделирования поведения ураганов использовалась полностью подключенная RNN. Авторы по существу использовали RNN для автоматической регрессии и прогнозирования траектории потенциальных ударов урагана и направленных маршрутов. Следующие траектории показывают прогнозируемые местоположения сетки, сделанные моделью:

Сравнение достоверных данных между предсказанными траекториями RNN и траекториями валидации подчеркивает потенциал глубокого обучения, в частности, полностью подключенных RNN - они обладают способностью предсказывать входящие последовательности в данных на основе ранее обученных состояний памяти. Теоретически климатологи могут специализировать и расширять существующие климатические данные в более надежные хранилища, чтобы укрепить модель, которая учитывает стихийные бедствия, происходящие во всем мире. Оптимизируя RNN для траекторий стихийных бедствий, люди могут быть предупреждены за часы или даже дни до того, как погодные явления повлияют на их регион. Кроме того, тот же прогноз RNN следующей последовательности может использоваться для прогнозирования сейсмической активности от землетрясений.

3. Масштабируемое сельскохозяйственное проектирование и мониторинг

Используя наборы данных спутниковых изображений Sentinel в режиме реального времени, начиная с конца 20 века, обучаемые модели могут быть развернуты для отслеживания состояния и характеристик сельскохозяйственных культур на сверхточном уровне. Хотя были реализованы классические подходы к мониторингу сельскохозяйственных культур, использование сверточных нейронных сетей (CNN) / компьютерного зрения может сегментировать негативные результаты урожая, засухи или разрушения. Что еще более важно, метод, называемый «Отображение активации классов» (CAM), который отображает тепловые карты областей изображения с высокой концентрацией функций, может использоваться для отслеживания интенсивности статусов культур на заданном поле. Пример отображения активации классов на аэрофотоснимках показан ниже. Слой объединения глобального среднего значения сети, который предотвращает переоснащение и позволяет использовать несколько размеров входных изображений в модели, принимает среднее значение каждой входящей карты функций, чтобы дать «своего рода» визуализацию в стиле тепловой карты того, где фокусируется сеть:

4. Отслеживание с воздуха закономерностей вырубки лесов

На вырубку лесов приходится почти 10% мировых выбросов парниковых газов, однако древнее отслеживание вручную может быть заменено развернутыми приложениями компьютерного зрения. Недавняя экономическая эксплуатация и рост обезлесения создают критическую качку, на которой участки земли перемещаются, повторно используются или полностью уничтожаются в процессе. В конечном итоге вырубка лесов - это масштабная ситуация с точки зрения затрат и выгод, требующая тщательного мониторинга с помощью автоматизированных систем. В связи с тем, что в процессах вырубки лесов в государственных / частных компаниях участвует множество секторов и отраслей, компьютерное зрение можно использовать для понимания потери древесного покрова с помощью датчиков на земле и аэрофотоснимков в реальном времени, связанных между собой в постоянной обратной связи. Кроме того, машинное обучение можно использовать для обнаружения звуков бензопилы, чтобы автоматически предупреждать местные правоохранительные органы о незаконной вырубке лесов. Путем реализации алгоритмов сегментации (например, UNET) и, возможно, даже методов обнаружения объектов в реальном времени, голые участки обезлесенных регионов могут быть обнаружены в реальном времени, а уничтоженная площадь леса может быть рассчитана алгоритмом в масштабе.

5. Создание более эффективной инфраструктуры

С момента появления инфраструктуры, включающей промышленное охлаждение, отопление, вентиляцию, освещение и техническое обслуживание электрооборудования, здания потребляли избыточную энергию из-за неправильной реакции / чувствительности к окружающей среде. Другими словами, системы Интернета вещей в здании не эффективно реагируют на внешние колебания климата, чтобы соответствующим образом регулировать потребление энергии. Используя совокупность прогнозов погоды, факторов окружающей среды и общей загруженности здания, магистраль Machine Learning-IoT может использоваться для регулирования температуры в помещении и дальнейшего взаимодействия с сетью для снижения общего энергопотребления, в зависимости от того, есть ли дефицит низкой мощности. -углеродная подача электроэнергии в определенное время. Теоретически здания могут использовать прогнозирование RNN и создавать петлю обратной связи, которая реагирует на пороговые значения, предсказанные алгоритмом RNN. Как только прогнозы превышают определенные пороги чувствительности, здание может регулировать свою температуру и энергоэффективность соответствующим образом, тем самым снижая зависимость от электросети.

6. Визуализация региональных эффектов изменения климата

В традиционных моделях прогнозирования климата часто используется измеримая шкала суровости и траектории движения, чтобы понять риски приближения погодных условий. Однако как для землевладельцев, так и для населения в целом визуализация последствий экстремальных погодных явлений может быть трудной для понимания или почти непонятной. Простой взгляд на траектории и числа на графике не говорит среднему человеку о степени потенциального ущерба. Визуализация предполагаемых разрушений собственности может дать домовладельцам, страховщикам и городским подрядчикам лучшее представление о том, к чему готовиться в местности с высоким уровнем риска. В исследовательской работе под названием Визуализация последствий изменения климата с использованием согласованных с циклом состязательных сетей Шмидт и др. Использовали преимущества генерирующих состязательных сетей с согласованным циклом (CycleGAN) для переноса стилей между разрушенными домами и обычными домами с видом на улицу, чтобы предвидеть поверхностные последствия экстремальной погоды.

Генеративные состязательные сети (GAN) - это специализированные генеративные модели с изюминкой: они используют состязательный процесс для сопоставления выходных результатов с их распределением входных данных. На грубом уровне сеть состоит из двух конкурирующих минимаксных моделей - генератора и дискриминатора. Генератор можно рассматривать как мошенника, производящего фальшивые копии обученных данных, в то время как дискриминатор - это «правоохранительные органы», распознающие и подтверждающие эти фальшивые имитации данных. В конечном итоге дискриминатор использует функцию потерь, которая обратно пропорциональна генератору. Таким образом, если дискриминатор научится различать эти ложные копии распространения, генератор самовосстанавливается. Следующая схема описывает модель GAN.

Как явствует из исследовательской статьи, Шмидт и др. Пошли еще дальше - они реализовали циклический подход к потерям / потерям. Последовательность цикла работает путем сопоставления распределений A и B. Как описано в исследовательской работе, распределение A может быть входом данных для обычных домов, тогда как B определяется как разрушенная собственность. Через адаптацию домена (сопоставление и соединение характеристик между двумя наборами данных) генератор узнает, как состязательно переносить стиль из разрушенного дома в нормальный дом. Этот процесс переноса стиля в соответствии с циклом может помочь визуализировать изображение с хорошим разрешением того, как нормальный дом может выдержать последствия экстремальных погодных условий. Следующая схема, извлеченная из оригинальной статьи CycleGan под названием Непарное преобразование изображения в изображение с использованием согласованных с циклом состязательных сетей »Чжу и др., Описывает функции сопоставления между функциями сопоставления и состязательными дискриминаторами.

Заключение

Появление глубокого обучения в контролируемых-неконтролируемых манипуляциях и интерпретациях больших данных об окружающей среде является критическим фактором, поскольку ученые-климатологи продвигаются вперед с большей аналитической «мощностью» и более неотложными условиями в обстоятельствах, связанных с изменением климата. Изменение климата, по-видимому, представляет собой сложную и взаимозависимую переходную силу, которая движется из поколения в поколение в зависимости от таких факторов, как сельское хозяйство, промышленное использование и уровни энергоэффективности. Изменяющаяся среда - это не единообразная система с непрерывными переменными, а скорее неупорядоченная система с различными переменными, преобразующимися с разной скоростью. Используя преимущества глубокого обучения в таких случаях, как создание высокоэнергетических материалов, прогнозирование стихийных бедствий, мониторинг сельского хозяйства и вырубки лесов, а также инфраструктурные системы энергоснабжения Интернета вещей, граница эффективности может быть оптимизирована в следующем десятилетии.

Библиография

Алемани, С. (2018). Прогнозирование траекторий ураганов с помощью рекуррентной нейронной сети. Arxiv, 1–8. Получено 30 июня 2019 г. с сайта https://arxiv.org/pdf/1802.02548.pdf.

Чо, Р. (2019). Искусственный интеллект - изменение климата и окружающей среды. Источник https://blogs.ei.columbia.edu/2018/06/05/artificial-intelligence-climate-environment/

Хао, К. (20 июня 2019 г.). Вот 10 способов, которыми ИИ может помочь в борьбе с изменением климата. Получено 30 июня 2019 г. с сайта https://www.technologyreview.com/s/613838/ai-climate-change-machine-learning/.

Ндикумана, Э. (2018). Глубокая рекуррентная нейронная сеть для сельскохозяйственной классификации с использованием многоступенчатого SAR Sentinel-1 для Камарга, Франция. Дистанционное зондирование 1–16. Проверено 30 июня 2019 года.

Рустович, Р. (нет данных). Классификация культур с помощью спутниковых снимков с разным временным интервалом. Стэнфорд. Получено с http://cs229.stanford.edu/proj2017/final-reports/5243811.pdf

Чжан, X. (нет данных). Обнаружение землетрясений с помощью сети сейсмических станций с помощью метода глубокого обучения. Специалист по семантике, 1–14. Проверено 30 июня 2019 года.