Beeld door NASA's aarde

Naarmate computers slimmer worden, zoeken wetenschappers naar nieuwe manieren om ze in te zetten voor de bescherming van het milieu.

Als je aan kunstmatige intelligentie denkt, is het eerste beeld dat waarschijnlijk in je opkomt er een van bewuste robots die lopen, praten en emoties uiten als mensen. Maar er is een ander soort AI dat in bijna alle wetenschappen steeds vaker voorkomt. Het staat bekend als machinaal leren, en het draait om het inschakelen van computers bij het sorteren van de enorme hoeveelheden gegevens die de moderne technologie ons in staat heeft gesteld te genereren (ook wel 'big data' genoemd).

Een van de plekken waar machinaal leren het meest nuttig blijkt te zijn, is in de milieuwetenschappen, die enorme hoeveelheden informatie hebben gegenereerd door het monitoren van de verschillende systemen van de aarde – ondergrondse watervoerende lagen, het opwarmende klimaat of de migratie van dieren bijvoorbeeld. Er zijn een hele reeks projecten opgedoken op dit relatief nieuwe gebied, genaamd computationele duurzaamheid, die verzamelde gegevens over het milieu combineren met het vermogen van een computer om trends te ontdekken en voorspellingen te doen over de toekomst van onze planeet. Dit is nuttig voor wetenschappers en beleidsmakers omdat het hen kan helpen plannen te ontwikkelen over hoe te leven en te overleven in onze veranderende wereld. Hier zijn er slechts een paar.

Voor de vogels – en olifanten

Cornell University lijkt het voortouw te nemen in deze nieuwe grens, waarschijnlijk omdat het een Instituut voor Computationele Duurzaamheiden ook omdat het hoofd van dat instituut, Carla P. Gomes, een van de pioniers op het gebied van computationele duurzaamheid is. Gomes zegt dat het vakgebied rond 2008 van start ging, toen de National Science Foundation een subsidie ​​van 10 miljoen dollar toekende om computerwetenschappers te stimuleren onderzoek te doen dat sociale voordelen had. Sindsdien heeft haar team – en teams van wetenschappers over de hele wereld – het idee overgenomen en ermee aan de slag gegaan.

Een belangrijk gebied waarop machinaal leren het milieu kan helpen, is het behoud van soorten. In het bijzonder heeft het Cornell-instituut samengewerkt met het Cornell Lab of Ornithology om de ongelooflijke ijver van vogelaars te combineren met wetenschappelijke observatie. Ze hebben een app ontwikkeld genaamd eBird waarmee gewone burgers gegevens kunnen indienen over de vogels die ze om zich heen observeren, zoals hoeveel verschillende soorten er op een bepaalde locatie te vinden zijn. Tot nu toe, zegt Gomes, hebben meer dan 300,000 vrijwilligers meer dan 300 miljoen observaties ingediend, wat neerkomt op meer dan 22 miljoen uur veldwerk.

Deze animatie van de jaarlijkse migratie van boomzwaluwen laat zien hoe computationele duurzaamheidstechnieken kunnen worden gebruikt om populatievariaties in ruimte en tijd te voorspellen. Afbeelding door Daniel Fink, Cornell Lab. van de ornithologie

Door de gegevens van eBird te combineren met de eigen observatiegegevens van het laboratorium en informatie over de verspreiding van soorten verzameld via teledetectienetwerken, maken de modellen van het instituut gebruik van machinaal leren om te voorspellen waar er veranderingen zullen plaatsvinden in de habitat van bepaalde soorten en de paden waarlangs vogels zich tijdens de periode zullen verplaatsen. migratie.

"Er zijn grote hiaten waar we geen waarnemingen hebben, maar als je de patronen van voorkomen en afwezigheid met elkaar in verband brengt, zien we dat deze vogels van een bepaald soort leefgebied houden en dan kunnen we generaliseren", zegt Gomes. “We gebruiken in werkelijkheid geavanceerde modellen – algoritmen uit machinaal leren – om te voorspellen hoe de vogels worden verspreid.”

Ze kunnen hun voorspellingen vervolgens delen met beleidsmakers en natuurbeschermers, die deze kunnen gebruiken om beslissingen te nemen over hoe ze de vogelhabitat het beste kunnen beschermen.

Gomes zegt bijvoorbeeld dat The Nature Conservancy, op basis van informatie verzameld via eBird en verwerkt door het partnerschap, een ‘omgekeerde veiling’ in door droogte getroffen delen van Californië, waarbij rijstboeren worden betaald om water op hun velden vast te houden wanneer vogels waarschijnlijk gaan migreren en een tussenstop nodig hebben. “Dit is alleen mogelijk omdat we over geavanceerde rekenmodellen beschikken die ons zeer nauwkeurige informatie geven over hoe vogels worden verspreid”, zegt Gomes.

Vogels zijn niet het enige onderzoeksgebied. Een groot deel van het werk van het instituut houdt verband met het behoud van wilde dieren. Bijvoorbeeld door te luisteren naar urenlange bosopnamen om de locatie van olifantengeluiden en geweerschoten van stropers in kaart te brengen, of door grizzlyberen te volgen om een ​​corridor te ontwikkelen die ze kunnen gebruiken om zich veilig door de wildernis te verplaatsen.

Het tempo verhogen

Bij het Goddard Space Flight Center van NASA gebruikt onderzoekswetenschapper Cecile Rousseaux machine learning om de verspreiding van fytoplankton (ook wel microalgen genoemd) in de oceanen beter te begrijpen. Deze microscopisch kleine planten drijven op het zeeoppervlak en produceren een groot deel van de zuurstof die we inademen. Ze vormen de basis van het oceanische voedselweb. Ze verbruiken ook koolstofdioxide en als ze sterven, dragen ze de koolstof met zich mee terwijl ze naar de oceaanbodem zinken.

“Als we geen fytoplankton zouden hebben, zouden we een grotere toename van koolstofdioxide zien dan we nu zien”, zegt Rousseaux. Hierdoor is hun algemene status essentiële informatie voor onderzoekers die het effect van veranderingen in de atmosferische COXNUMX proberen te begrijpen₂ op onze planeet.

{{youtube}eM5lX9RQzZ4{/youtube}

Rousseaux gebruikt satellietbeelden en computermodellen om de huidige en toekomstige omstandigheden van het oceanische fytoplankton in de wereld te voorspellen. Op dit moment kan het model alleen een schatting maken van het totale aantal microalgen dat op aarde leeft en hoe dat totaal in de loop van de tijd verandert. Maar er belde een nieuwe satellietmissie VREDE (voor “Pre-Aerosol Clouds and ocean Ecosystem”), gelanceerd in 2022, zal een geheel nieuwe dataset openen die nauwkeuriger naar de populatie kijkt en in staat is om verschillende soorten te identificeren in plaats van simpelweg naar het geheel te kijken, wat aanzienlijk zal verander het huidige model.

“Het model gebruikt parameters op basis van temperatuur, licht en voedingsstoffen om ons de hoeveelheid groei te vertellen. Het enige dat de simulatie doet, is het totaal aanpassen”, zegt ze. Maar er zijn een hele reeks verschillende soorten fytoplankton die allemaal op unieke manieren met de omgeving interacteren. Diatomeeën zijn bijvoorbeeld groot, zinken heel snel naar de oceaanbodem en hebben veel voedingsstoffen nodig. PACE zal het mogelijk maken om de soorten fytoplankton in verschillende delen van de oceaan te identificeren, waardoor het vermogen van het model om ons te helpen begrijpen hoe de micro-organismen de COXNUMX in de atmosfeer beïnvloeden wordt vergroot.₂. Het zal ons ook in staat stellen dingen te doen zoals het voorspellen van gevaarlijke algenbloei en mogelijk manieren te bedenken om de talenten aan te boren van soorten die in grotere hoeveelheden koolstof verbruiken om de klimaatverandering te bestrijden.

EarthCube

Over de aarde als geheel gesproken: de National Science Foundation gebruikt machinaal leren om een ​​levend 3D-model van de hele planeet te creëren. De digitale representatie, genaamd EarthCube, zal datasets combineren die zijn aangeleverd door wetenschappers uit een hele reeks disciplines – metingen van de atmosfeer en hydrosfeer of de geochemie van de oceanen bijvoorbeeld – om de omstandigheden op, boven en onder het oppervlak na te bootsen. Vanwege de enorme hoeveelheden gegevens die de kubus zal bevatten, zal hij in staat zijn verschillende omstandigheden te modelleren en te voorspellen hoe de systemen van de planeet zullen reageren. En met die informatie zullen wetenschappers manieren kunnen voorstellen om catastrofale gebeurtenissen te voorkomen, of eenvoudigweg plannen kunnen maken voor gebeurtenissen die niet kunnen worden vermeden (zoals overstromingen of ruw weer) voordat ze plaatsvinden.

EarthCube combineert datasets om een ​​model te creëren dat kan worden gebruikt om de schade veroorzaakt door catastrofale gebeurtenissen te voorspellen en te minimaliseren.
Afbeelding door Jeanne DiLeo/USGSAls onderdeel van het EarthCube-project werkt de US Geological Survey samen aan een National Science Framework-project om de Digitale korst, een raamwerk dat een nauwkeuriger en robuuster inzicht in ondergrondse processen op aarde mogelijk zal maken, zoals de grondwaterbalans en de gezondheid van aquifersystemen. "We zullen wetenschappelijke berekeningen kunnen uitvoeren die het niveau van het grondwater in de loop van de tijd laten zien, en we kunnen dat vergelijken met toekomstige scenario's", zegt Sky Bristol, afdelingshoofd van biogeografische karakterisering bij USGS en USGS-teamleider voor het EarthCube Digital Crust-project .

Machine learning speelt ook een rol wanneer twee modellen uit verschillende delen van de kubus (zoals de korst en de atmosfeer) met elkaar moeten communiceren, zegt Bristol. Hoe ziet het er bijvoorbeeld uit als er tegelijkertijd sprake is van een toename van de grondwaterwinning en een toename van het opwarmende klimaat?

De Digital Crust zal naar verwachting deze zomer voltooid zijn. De Digital Crust en alle EarthCube-projecten maken hun gegevens en software open source. Dus binnen een paar jaar zal iedereen machine learning kunnen gebruiken om voorspellingen te doen over alle mogelijkheden van een toekomstige aarde. En dat betekent dat geowetenschappers, die proberen de verschillende systemen van de aarde te begrijpen en hoe veranderingen daarin de mensheid zullen beïnvloeden, een nieuw hulpmiddel zullen hebben waarmee ze gegevens van over de hele wereld met elkaar kunnen delen – waardoor hun voorspellingen meer impact krijgen en mensen een kans krijgen. om te handelen, in plaats van te reageren, op onze veranderende wereld.

Deze voorbeelden vormen slechts een klein deel van het grote beeld van hoe computationele duurzaamheid ons vermogen om het menselijk leven op aarde duurzamer te maken, kan veranderen – en nog steeds aan het veranderen is. Alleen al bij Cornell omvatten andere projecten die de technologie gebruiken het in kaart brengen van armoedegebieden en de doeltreffendheid van armoedebestrijding in ontwikkelde landen, het bepalen van de impact van het oogstbeleid op de oceaanvisserij, het ontdekken van nieuwe materialen die kunnen worden gebruikt om zonne-energie op te vangen, het bepalen van de impact van scheepsaanvallen op walvispopulaties, en zelfs licht werpen op de efficiëntie en implicaties van verhoogde benzinebelastingen in de VS. Als de huidige trends daar enige indicatie voor zijn, kunnen we de komende jaren veel meer verwachten over hoe kunstmatige intelligentie ons helpt de wereld een betere plek om op de lange termijn te wonen.

Dit artikel verscheen oorspronkelijk op Ensia

Over de auteur

Erin Biba is een freelance wetenschapsjournalist uit New York City. Haar werk verschijnt regelmatig in Newsweek, Wetenschappelijk Amerikaan en de Mythbusters' Tested.com.

Gerelateerd boek

at

Bedankt voor het bezoeken InnerSelf.com, waar er zijn 20,000+ levensveranderende artikelen waarin ‘nieuwe attitudes en nieuwe mogelijkheden’ worden gepromoot. Alle artikelen zijn vertaald naar 30+ talen. Inschrijven aan InnerSelf Magazine, dat wekelijks verschijnt, en Marie T Russell's Daily Inspiration. InnerSelf Magazine verschijnt sinds 1985.