Sự thay đổi khí hậu đang thay đổi nhanh chóng hệ sinh thái bờ biển với tốc độ đáng sợ, sự đa dạng sinh học đe dọa, sinh thái con người, sinh kế và hàng tỉ đô la trong cơ sở hạ tầng. sự tiến bộ của biển, sự tương tác không cân bằng giữa đại dương, nóng lên, và những cơn bão đang thay đổi sự cân bằng tinh vi của cây cọ, đầm lầy muối, san hô, và thảo nguyên liệu phụ.

Hiểu được sự học hỏi của máy móc trong khoa học khí hậu

Tại cốt lõi của nó, máy học là một nhánh của trí tuệ nhân tạo mà xây dựng mô hình có khả năng học hỏi từ dữ liệu mà không cần được lập trình rõ ràng cho mọi tình huống. Trong khoa học khí hậu, kỹ thuật của ML như mạng thần kinh, rừng ngẫu nhiên, hỗ trợ máy tính véc tơ, và nâng cao chuyển động được áp dụng cho các quan sát lịch sử và thời gian thực để dự đoán các hiện các hiện trường hợp tăng trưởng, di trú các loài, và tỷ lệ xói mòn. những mô hình vượt trội trong việc xử lý dữ liệu cao không gian (v.g, nhiệt độ, di chuyển, di động, di động, di động, di động, và sóng, và sóng, và có thể giải thích các mối quan hệ vật lý không gian và có thể bỏ qua các mô hình vật lý.

Lợi thế chính của ML nằm trong khả năng thích nghi của nó. Khi các luồng dữ liệu mới trở thành có sẵn (từ nền tảng cảm biến từ xa như của NASA , hoặc [FLT] không có] xem [FLT:] . (Các thuật toán LT:] có thể được đào tạo để cải thiện khả năng tiên đoán của họ. Quá trình học định hướng này đặc biệt thích hợp cho việc dự báo gần (tháng) và đánh giá các rủi ro khác nhau trong trường hợp khí hậu.

Chương trình dự đoán về hệ sinh thái bờ biển

Mô hình cấp nước biển tăng

Mức độ dâng lên của biển là một trong những mối đe dọa tức thời nhất đối với cộng đồng ven biển. Mô hình ML được đào tạo về các kỷ lục đo thủy triều, định giờ vệ tinh, và các dự đoán tan băng có thể tạo ra những bản chiếu ngắn hạn (BLM) tài khoản vùng đất [FT] các mạng lưới [FT: mực nước biển] đã được sử dụng để dự đoán mực biển dọc theo các vùng biển. Các phương trình dự báo này giúp đỡ các dự báo về các vùng duyên hải, và các phương pháp bảo vệ nước lụt.

Phát hiện Habitat và thay đổi bộ lọc

Hình ảnh vệ tinh [đặc biệt từ chương trình như dữ liệu thống kê [FLT:] và [FENniel-2 [FLT:] - thiết lập một nguồn dữ liệu phong phú về sinh thái phổ biến và thời gian cho môi trường bản đồ. Các mạng thần kinh tiến hóa (CNNT: 1] tự động phân loại các loại thực vật (v. d., cây cỏ dại, đầm lầy, muối, biển và phát hiện các thay đổi do sự xói mòn, bão tố, hoặc các nghiên cứu về hoạt động của con người. Gần đây đã đạt được môi trường tự động chính xác trên 90% các vùng carbon, nơi mà hệ sinh thái độ các-bon có khả năng xác định lượng các-bon và các vùng màu xanh được xác định vị trí các-bon.

Việc phân phối các loài đã được định trước

Khi nhiệt độ đại dương tăng và nhiệt độ giảm, các loài biển đang chuyển động trong phạm vi cực hoặc sâu hơn. Mô hình phân phối các loài [SDM] được tăng cường với ML có thể dự đoán tương lai bằng cách tích tụ các lớp môi trường (hình thái, độ mặn, oxy, ánh sáng) với các hồ sơ sự kiện. Rừng [FLTM:1) và [FL:2] MaT [FT] [FT] dự án thường dùng cho môi trường sống phù hợp với san hô, cá và vỏ sò, dưới nhiều trường khác nhau. Những trường này được dự báo trước về các vùng biển và những vùng được bảo vệ và những loài cá khác nhau.

Sự phân biệt thiệt hại và sự phục hồi

Đánh giá thiệt hại sau bão là một nhiệm vụ quan trọng. Các thuật toán ML được đào tạo về quang học trước và sau giờ tối hay rađa có thể nhanh chóng đánh giá thiệt hại đối với cây cối, cát bụi, và rặng san hô ngầm - trong vòng nhiều giờ qua vệ tinh. Ví dụ, [FLT: 0] Các cấu trúc U-Net [FLT: 1] đã được áp dụng cho Sentinel-1 dữ liệu để vẽ bản đồ bờ biển ngập và ước lượng thiệt hại thực vật. Việc này hướng dẫn phản ứng khẩn cấp và phục hồi lại thời gian dài. Trong hậu quả của bão tố như các bản đồ Sandy và các công ty hỗ trợ các nguồn tài nguyên của HarveyLL.

Nguồn dữ liệu và thử thách hợp nhất

Thành công của mô hình ML phụ thuộc vào chất lượng, số lượng và sự đa dạng của dữ liệu đào tạo.

  • Cảm biến từ xa kiểu Setellit: quang phổ (Landsat, MODIS, Sentinel-2, nhiệt (AVHRR), và radar (Sentin-1, ALOS-2) cung cấp các vùng bờ biển trên toàn thế giới.
  • Cảm biến trong công ty: Buyys, thủy triều, xe tự động dưới nước (AUVs) và nền tảng khoa học công dân (v. g., natuist) cung cấp các phép đo mặt đất- xác thực.
  • Mô hình kết quả phân loại: Chung chung mô hình hình hình hình vòng tròn (GCMs) và các sản phẩm giảm quy mô khu vực cung cấp điều kiện giới hạn (v. d., nhiệt độ, mưa, gió).
  • Bản ghi chép lịch sử: Các biểu đồ thủy triều, thủy triều bắt được bản ghi, và các bức ảnh trên không mở rộng phạm vi thời gian của dữ liệu đào tạo.

Dù còn nhiều khó khăn đáng kể nhưng vẫn còn những khoảng trống lớn trong nhiều vùng của miền Nam toàn cầu, nơi mà hệ sinh thái bờ biển dễ bị tổn thương nhất. vệ tinh thăm dò thời gian có thể bỏ lỡ các sự kiện phù hợp (v.g.g., tảo nở hoa, cơn bão gia tăng nhanh). Hơn nữa, “dữ liệu lớn của các bộ dữ liệu này đòi hỏi sự tính toán hiệu quả cao và chuyên môn về cả khoa học và sinh thái học vẫn còn rất hiếm.

Lợi ích và thử thách

Lợi ích của dự đoán của ML-Enhanceions

  • Mô hình chức năng: ) Mô hình ML thường vượt quá trình hồi quy tuyến tính hoặc hồi quy, đặc biệt khi tương tác là phức tạp.
  • Đã viết: ) Một khi được đào tạo, mô hình có thể dự đoán dữ liệu mới trong giây, cho phép hệ thống cảnh báo thời gian thực.
  • Khả năng tính toán: Mô hình được đào tạo trong một vùng có thể được chuyển (với các vùng khác tinh chỉnh) sang các vùng khác, giảm nhu cầu về bộ dữ liệu địa phương khổng lồ.
  • Không chắc chắn:) phương pháp hỗ trợ ML (v. d. mạng thần kinh Bayesian) cung cấp khoảng cách tự tin, giúp đỡ người đưa ra quyết định cân nhắc rủi ro.

Những thử thách để vượt qua

  • chất lượng và thành kiến:) Nếu dữ liệu huấn luyện có xu hướng về một số vùng hoặc mùa nào đó, những lời tiên đoán có thể không đáng tin cậy ở nơi khác.
  • Khả năng xác định: nhiều mô hình hiệu quả cao (v. d. mạng thần kinh sâu) hoạt động như hộp đen, làm cho nó khó hiểu tại sao một dự đoán cụ thể được thực hiện. Giải thích được các kỹ thuật AI (XAI) đang nổi lên nhưng chưa được chuẩn.
  • Hợp tác về mặt khoa học: ) các nhà khoa học về khí hậu, nhà sinh thái học, nhà khoa học máy vi tính và nhà hoạch định chính sách phải hợp tác với nhau để đặt câu hỏi đúng cách và bảo đảm rằng sản lượng sản xuất được thực hiện.
  • Khi khí hậu tiếp tục thay đổi, mô hình được đào tạo về dữ liệu lịch sử có thể trở nên kém chính xác hơn.

Quan điểm tương lai và những cuộc tranh cãi gay gắt

Thập kỷ sau sẽ chứng kiến những tiến bộ nhanh chóng trong ML áp dụng cho sự phục hồi khí hậu bờ biển. Các mô hình [FLT:] ) để kết hợp các phương trình vật lý với các thành phần của ML (cũng gọi là mạng thần kinh học) để cải thiện dự báo từ lâu về mặt đất bằng cách dự đoán từ xa về mặt đất bằng cách nhập khẩu MLL. Hơn nữa, sự tích hợp với các phương pháp sinh học và các thiết bị sinh học khác nhau sẽ tạo ra các mô phỏng các trường hợp sinh học thời gian thực tế.

Trên mặt tiền chính sách, các nỗ lực đang tiến hành gắn liền với các dự đoán định định định định hướng của ML thành các hành động quản lý thích ứng. Chẳng hạn, [FLT: 0] Chương trình [FLT:] Hướng dẫn sự tương tác [FLT: 1] của nhóm và các đối tác đã sử dụng các kết quả xuất để xếp hạng hành động bảo tồn. Trong khi chi phí máy tính giảm và truy cập dữ liệu vệ tinh trở thành phổ biến (v. d., qua các nền tảng như [FL:2) Hệ thống [FL: 1] Hệ thống trái đất [FT: 1], và các nước địa phương sẽ phát triển các công cụ bảo vệ bờ biển riêng.

Kết luận

Máy học tập không phải là một cái chảo cho khủng hoảng khí hậu, nhưng nó là một công cụ ngày càng cần thiết để hiểu và dự đoán hệ sinh thái bờ biển sẽ phản ứng thế nào với một hành tinh đang thay đổi. từ việc lập bản đồ môi trường sống để tạo ra sự tăng trưởng mực nước biển, từ việc dự đoán các loài chuyển đổi để đánh giá thiệt hại cơn bão, ML đưa ra tốc độ và sắc thái mà phương pháp truyền thống không thể tương ứng. con đường tiến tới đòi hỏi sự đầu tư lâu dài trong cơ sở dữ liệu, sự đào tạo xuyên suốt, và sự phát triển trong suốt. bằng cách nắm bắt những công nghệ này khi tôn trọng giới hạn của chúng ta có thể cải thiện và bảo vệ biên giới của thế giới của chúng ta đến thế hệ.