تغییرات آب و هوایی، اکوسیستم های ساحلی را با سرعت نگران کننده، تهدید تنوع زیستی، معیشت انسانی و میلیاردها دلار در زیرساخت است.افزایش سطح دریا، اسیدی شدن اقیانوس، آب های گرم و تشدید طوفان ها در حال حاضر تغییر تعادل ظریف از انبه، نمک، صخره ها، و روش های سنتی سنتی، در حالی که مدل سازی ارزشمند، اغلب تلاش برای شناسایی دقیق ابزار پیچیده - پیش بینی می کند که از طریق سیستم های متنوع سازی ماهواره ای که می تواند پیش بینی های متنوع سازی را ارائه دهد.

درک یادگیری ماشین در علوم آب و هوا

در هسته آن، یادگیری ماشین شاخه ای از هوش مصنوعی است که مدل هایی را می سازد که قادر به یادگیری از داده ها هستند بدون اینکه به طور صریح برای هر سناریو برنامه ریزی شود.در علم آب و هوا، تکنیک های ML مانند شبکه های عصبی، جنگل های تصادفی، ماشین های بردار و تقویت گرادیان به مشاهدات تاریخی و زمان واقعی برای پیش بینی پدیده هایی مانند افزایش سطح دریا، مهاجرت گونه ها و نرخ های فرسایشی که در پردازش های بالا (به انگلیسی) هستند، و سطوح درجه حرارت بالا، و غیر طبیعی، و غیر طبیعی استفاده می شود.

مزیت کلیدی ML در سازگاری آن قرار دارد، زیرا جریان های داده جدید در دسترس هستند - از سیستم عامل های سنجش از راه دور مانند NASA OLCI یا جریان داده های جدید - الگوریتم هایML می توانند برای بهبود قدرت پیش بینی خود آموزش داده شوند.این فرایند یادگیری آن را به ویژه برای پیش بینی های مختلف (سال ها) و پیش بینی آب و پیش بینی های مختلف (سال)

برنامه های آموزش ماشین در پیش بینی سیستم های ساحلی

سطح دریا افزایش مدل

افزایش سطح دریا یکی از فوری ترین تهدیدات جوامع ساحلی است.[۵] مدل های ML در پرونده های اندازه گیری موج، پیش بینی های آب یخ (FLT:0Gausian) می توانند پیش بینی های محلی را ایجاد کنند که به عنوان مثال، استراتژی های یارانه زمین و جریان های دریایی را پیش بینی می کنند.

هابتات Mapping و Change

تصاویر ماهواره ای - به ویژه از برنامه هایی مانند زمین های فرود و - ارائه می دهد یک منبع غنی از داده های طیف آبی و زمان برای نقشه برداری از زیستگاه های ساحلی Convolutional عصبی (CNNs) به طور خودکار ارزیابی های گیاهی (به عنوان مثال، شناسایی انسان، آسیب رساندن به مناطق فرسایشی که به سرعت آسیب رساندن به مناطق آسیب رساندن به سرعت رشد آلودگی کربن، و آسیب رساندن به مناطق آسیب رساندن به مناطق آسیب رساندن به آلودگی سریع به مواد اولیه ی پرندگان و آلودگی سریع به آلودگی کربن، و تجزیه و تجزیه و تجزیه و تجزیه و تجزیه و تجزیه و تجزیه و جوش می رساند.

پیش بینی توزیع گونه ها

از آنجا که دمای اقیانوس افزایش می یابد و کاهش pH، گونه های دریایی به سمت قطب خود یا به آب های عمیق تر، مدل های توزیع گونه (SDMs) با ML می توانند محدوده های آینده را با ادغام لایه های زیست محیطی (درجه حرارت، نمک، اکسیژن، نور) با رکوردهای انتشار ماهی پیش بینی کنند.FLT:0Random جنگل [F:1 و [F:2.

ارزیابی آسیب و اولویت بندی بازسازی

ارزیابی آسیب پس از طوفان یک کار زمان بحرانی است. الگوریتم های ML آموزش دیده در تصاویر نوری یا رادار پس از دوره قبل و بعد از آن می توانند به سرعت آسیب پذیری را به مانگ ها، دوک ها و صخره های مرجانی - اغلب در ساعت های ماهواره ای از Overpass، اختصاص داده شده است. U-Net معماری سندی ال جی.ن به طور موثر برای نقشه برداری از داده های طولانی مدت و پیام های مربوط به سیل و راهنمای های هشدار اضطراری از سیل و سیگنال های هشدار داده های هشدار داده های هشدار داده های هشدار داده های هشدار داده های هشدار داده شده از سیل کمک می شود.

منابع داده و چالش های ادغام

موفقیت مدل های ML به کیفیت، کمیت و تنوع داده های آموزشی بستگی دارد.منبع داده های کلیدی شامل:

  • ] [Sentintellite Remote Sense: ] ] [زمینهای نوری، MODIS، Sentinel-2] حرارتی (AVHRR) و رادار (Sentinel-1، ALOS-2) پوشش خط ساحلی در سراسر جهان را فراهم می کند.
  • سنسورهای داخل-situ: بووی، اندازه گیری های مد، وسایل نقلیه مستقل زیر آب (AUVs)، و سیستم عامل های علوم شهروندی (به عنوان مثال، i Naturalist) اندازه گیری های زمینی را ارائه می دهند.
  • خروجی مدل کلی: مدل های گردش عمومی (GCMs) و محصولات مقیاسی منطقه ای شرایط مرزی (به عنوان مثال، دما، بارش، باد) را فراهم می کند.
  • سوابق تاریخی: نمودارهای مد دیجیتال، ماهی گیر گرفتن logs، و عکس های هوایی گسترش محدوده زمانی از داده های آموزش.

علی رغم این ثروت ها، چالش های قابل توجه باقی مانده است. شکاف های داده در بسیاری از نقاط جهان جنوب وجود دارد، جایی که اکوسیستم های ساحلی آسیب پذیرترین هستند.زمان های بازبینی ماهواره ای می توانند رویدادهای زودگذر (به عنوان مثال شکوفه های آلگال، افزایش طوفان) را از دست بدهند، علاوه بر این، "اطلاعات بزرگ" این مجموعه داده ها نیاز به محاسبات با عملکرد بالا و تخصص در علوم داده ها و ترکیب زیست محیطی دارند که هنوز نادر است.

مزایا و چالش ها

مزایای پیش بینی ML-Enhanced

  • خطر: مدل های ML اغلب از رگرسیون خطی یا خطی، به ویژه هنگامی که تعاملات پیچیده است، استفاده می کنند.
  • Speed: پس از آموزش، مدل ها می توانند پیش بینی در مورد داده های جدید در ثانیه، قادر به سیستم های هشدار دهنده در زمان واقعی.
  • شتاب پذیری: مدل های آموزش دیده در یک منطقه می توانند (با ریز کردن) به مناطق دیگر منتقل شوند، و نیاز به مجموعه داده های محلی گسترده را کاهش دهند.
  • اندازه گیری قطعی: روش های ML Probabilistic (به عنوان مثال، شبکه های عصبی zi) فواصل اطمینان را فراهم می کند، کمک به تصمیم گیرندگان ریسک وزن.

چالش های Overcome

  • کیفیت و سوگیری داده ها: اگر داده های آموزشی به سمت مناطق یا فصول خاص سوگیری دارند، پیش بینی ها ممکن است در جای دیگر غیر قابل اعتماد باشد.
  • قابلیت پیش بینی: بسیاری از مدل های با عملکرد بالا (به عنوان مثال، شبکه های عصبی عمیق) به عنوان جعبه های سیاه کار می کنند، و درک اینکه چرا پیش بینی خاصی ساخته شده است دشوار است.
  • همکاری بین رشته ای: دانشمندان آب و هوا، اکولوژیست ها، دانشمندان کامپیوتر و سیاستگذاران باید با هم کار کنند تا سوالات را به درستی تنظیم کنند و اطمینان حاصل کنند که خروجی ها قابل اجرا هستند.
  • حرکت مدل: به عنوان آب و هوا همچنان به تغییر، مدل های آموزش دیده در داده های تاریخی ممکن است کمتر دقیق - با توجه به آموزش و اعتبار مستمر.

چشم انداز آینده و روند نوظهور

دهه بعد شاهد پیشرفت های سریع در ML اعمال شده در انعطاف پذیری آب و هوایی ساحلی ساحلی (FLT:0) یادگیری اجباری می تواند به موسسات در مناطق فقیر داده اجازه دهد تا از مدل های آموزش دیده در داده های جهانی بدون به اشتراک گذاری داده های حساس محلی بهره مند شوند. که موسسات فیزیک مبتنی بر مواد شیمیایی با سیستم های مشابه سازی فیزیکی بلند مدت ML را با سیستم های فنی یکپارچه سازی فیزیکی مانند "FLT- پیش بینی شده با وعده می دهند.

در جبهه سیاست، تلاش ها برای جاسازی پیش بینی های ML-based به چارچوب های مدیریت تطبیقی انجام می شود، به عنوان مثال، ابتکار انعطاف پذیری کورتیستر توسط IUCN و شرکای در حال حاضر از خروجی MLLT برای رتبه بندی اقدامات حفاظت استفاده می کنند، زیرا هزینه های محاسباتی کاهش می یابد و دسترسی به داده های ماهواره ای جهانی می شود (به عنوان مثال، از طریق سیستم عامل های خود

نتیجه گیری

یادگیری ماشین یک پاناس برای بحران آب و هوا نیست، اما یک ابزار به طور فزاینده ای ضروری برای درک و پیش بینی چگونگی واکنش اکوسیستم های ساحلی به یک سیاره در حال تغییر است.از زیستگاه نقشه برداری گرفته تا مدل سازی افزایش سطح دریا، از تغییرات پیش بینی شده برای ارزیابی آسیب های طوفان، ML ارائه می دهد سرعت و تفاوت که روش های سنتی نمی تواند مطابقت داشته باشد.