気候変動は、沿岸生態系をアラーム速度で再構築し、生物多様性、人間の生き生き物、そしてインフラの数十億ドルの人口を脅かす。海レベルを上げ、海洋の酸化、水温、および強迫の嵐を抑えることは、すでにマングローブ、塩の湿疹、サンゴ礁、および動物を破壊するという繊細なバランスを変えています。伝統的なモデリングアプローチは、貴重なものとして、複雑な非線形の相互作用をキャプチャし、これらの分析装置を多様に変えることが困難である一方で、これらの予測するような状況を予測するような、これらの分析装置は、これらの分析装置を予測するだけでなく、その分析装置を、その分析する。

気候科学における機械学習の理解

コアでは、機械学習は、あらゆるシナリオのために明示的にプログラムされずにデータから学習できるモデルを構築する人工知能のブランチです。気候科学では、ニューラルネットワーク、ランダムな森林、サポートベクターマシン、および勾配ブーストなどのML技術が、歴史とリアルタイムの観察に適用され、海レベルの上昇、種の移動、および侵食率などの現象を予測します。これらのモデルは、高次元データ(例えば、サル、体外的温度、および多様体的レベルの関係を把握することができます)を扱う際にエクセルを排出します。

MLの主要利点は、その適応性にあります。]のようなリモートセンシングプラットフォームから、新しいデータストリームが利用可能になるように、NASAのOLCIまたはNOAAサンゴリーフウォッチ[ - MLアルゴリズムは、予測電力を向上させるために再訓練することができます。この反復学習プロセスは、それらが、それらが特に短期予測(気候状況と異なる状況を判断するための週)に適しているようにします。

沿岸生態系予測における機械学習の応用

海面の上昇のモデリング

海面レベル上昇は、沿岸域に最も近い脅威の1つです。 潮汐のゲージレコード、衛星のアルティトリ、氷シートの融解予測で訓練されたMLモデルは、土地のサブディスタンスと海流のアカウントをローカライズした予測を生成することができます。 例えば、 []] ガウスプロセス回帰] と 長期のメモリ(LSTM)ネットワーク:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX:XNUMX

生息地マッピングと変更の検出

特にのようなプログラムから衛星画像:ランダサットと]]Sentinel-2 - 海岸生息地をマッピングするためのスペクトルと温度データの豊富なソースを生成します。 変化するニューラルネットワーク(CNN)は、自動的に野菜の種類を分類します(例えば、マングローブ、塩水、草、堆積物、およびサンゴ礁が) 90%以上の生態系が検出されると、サンゴ礁の観察されると、サンゴ礁の観察が観察されると、その観察されると、その観察されると、または観察されると、その観察されると、その観察された結果が、または観察されると、または観察されると、または、または修復する。

種別分布予測

海洋温度が上昇し、pHが低下すると、海洋種は、その範囲を極端にシフトするか、またはより深い水にシフトしています。 MLで強化された種分布モデル(SDM)は、環境層(温度、塩分、酸素、光)を発生記録に統合することにより、将来の範囲を予測することができます。 ]とMaxEntは、一般的に、サンゴ礁の状況やサンゴ礁の状況に応じて、さまざまなサンゴ礁の予測に役立ちます。

ダメージ評価と修復優先順位付け

ポスト嵐の損傷評価は、時間批判的タスクです。 MLアルゴリズムは、プレおよびポストエベント光学またはレーダー画像で訓練され、急速にマングローブ、砂利、サンゴ礁への損傷を定量化することができます。衛星オーバーパスの時間内に。 例えば、U-NetアーキテクチャSARデータに洪水マップされた沿岸湿原や砂利の状況をマップし、すべての緊急時のガイドやガイドなどの情報収集に役立ちます。

データのソースと統合の課題

MLモデルの成功は、トレーニングデータの品質、数量、多様性にかかっています。 主なデータソースには、以下が含まれます。

  • [サテライトリモートセンシング:[光学(Landsat、MODIS、Sentinel-2)、熱(AVHRR)、レーダー(Sentinel-1、ALOS-2)は、世界各地の海岸線のカバレッジを提供します。
  • In-situセンサー:[]]ブイ、潮汐ゲージ、自動水中車(AUV)、市民科学プラットフォーム(例えば、iNaturalist)は地上のtruth測定を供給します。
  • 気候モデル出力:[ 一般循環モデル(GCM)と地域ダウンスケール製品が境界条件(温度、降水、風など)を提供します。
  • 歴史的レコード:[] 分岐させた潮汐グラフ、漁業の捕獲の丸太および空中写真は訓練データの温度較正範囲を拡張します。

これらの富裕層にもかかわらず、重要な課題は残っています。 沿岸生態系が最も脆弱であるグローバル・サウスの多くの部分にデータギャップが存在します。 衛星再訪時間は、エピヘムアルイベント(例えば、アルガル・ブルーム、嵐サージ)を見逃すことができます。 さらに、これらのデータセットの「ビッグデータ」の性質は、データサイエンスとエコロジーの両方の高性能コンピューティングインフラストラクチャと専門知識を必要とします。

利点と課題

ML強化予測の利点

  • Accuracy:] MLモデルは、特に相互作用が複雑であるとき、しばしば線形または記号論理的な回帰を上回る。
  • [スピード:]] 訓練されたら、リアルタイムの早期警告システムを有効にする、モデルは秒内の新しいデータに予測を行うことができます。
  • ] スケールビリティ:] は、複数の地域に訓練されたモデルを転送(微調整)し、大規模なローカルデータセットの必要性を減らすことができます。
  • 不確実性定量化:[確率的MLメソッド(ベイジアンニューラルネットワークなど)は、意思決定者がリスクを量るのを助ける、自信の間隔を提供します。

克服への挑戦

  • []データ品質と偏差:[] 特定の地域や季節に訓練データが偏っている場合は、予測は他の場所では信頼できない可能性があります。
  • [ 解釈性:]]] 多岐にわたるモデル(例えば、深いニューラルネットワーク)はブラックボックスとして動作し、特定の予測が行われた理由を理解することは困難です。 説明可能なAI(XAI)技術は新興ですが、標準ではありません。
  • [ 学際連携:[ 気候科学者、惑星科学者、政策立案者は、正しく枠組みの質問に一緒に作業し、出力が実行可能であることを確認する必要があります。
  • モデルドリフト:]] 気候変動が続くため、歴史データで訓練されたモデルは、継続的再訓練と検証を必要とする、より正確になる可能性があります。

今後の展望と新興トレンド

今後10年間、MLの急速な進展を海岸の気候回復に適用します。 []Federated Learning]は、データポーラ地域の施設が、機密性の高いローカルデータを共有することなく、グローバルデータセットで訓練されたモデルから利益を得ることを可能にすることができます。 ハイブリッドモデル]は、物理ベースの方程式をMLコンポーネントと組み合わせる(いわゆる「ML-informalネットワーク」)、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および、および

政策の正面では、ML主導の予測を適応管理フレームワークに組み込むための努力が進んでいます。例えば、IUCNとパートナーがすでにML出力を使用して、保護活動のランク付けを行う「]」のCoastal Resilience Initiativeを継承しています。計算コストが落ち、衛星データへのアクセスがユニバーサルになるように(例えば、プラットフォームを介して]]])、Google Earth Engine:3]、地域コミュニティ、および地域を発展させるためのツールが、各地域を保護します。

コンテンツ

マシンラーニングは、気候危機のためのパンチェアではありませんが、沿岸生態系が変化する惑星にどのように反応するかを理解し、予測するためのますます不可欠なツールです。 予測種がシフトし、嵐の損傷を評価するために、予測種から海レベルの上昇をモデル化するために生息地をマッピングすることから、MLは従来の方法が一致できない速度とニュアンスを提供します。 パスフォワードは、データインフラストラクチャ、横断的な訓練、および透明なモデル開発に持続的な投資を必要とします。 これらの技術を埋め込むことによって、私たちは、これらの技術は、その世代の制限を尊重することができます。