[ad_1]
Các mô hình khí hậu là một công nghệ quan trọng trong việc dự đoán tác động của biến đổi khí hậu. Bằng cách chạy mô phỏng khí hậu Trái đất, các nhà khoa học và nhà hoạch định chính sách có thể ước tính các điều kiện như mực nước biển dâng, lũ lụt và nhiệt độ tăng cao, đồng thời đưa ra quyết định về cách ứng phó phù hợp. Nhưng các mô hình khí hậu hiện nay gặp khó khăn trong việc cung cấp thông tin này một cách nhanh chóng hoặc đủ khả năng chi trả để hữu ích ở quy mô nhỏ hơn, chẳng hạn như quy mô của một thành phố.
Hiện nay, tác giả của một giấy truy cập mở mới được xuất bản trong Tạp chí về những tiến bộ trong mô hình hóa hệ thống trái đất đã tìm ra một phương pháp thúc đẩy học máy để tận dụng lợi ích của các mô hình khí hậu hiện tại, đồng thời giảm chi phí tính toán cần thiết để vận hành chúng.
Sai Ravela, một nhà khoa học nghiên cứu chính tại Khoa Khoa học Trái đất, Khí quyển và Hành tinh (EAPS) của MIT, người đã viết bài báo với EAPS postdoc Anamitra Saha, cho biết: “Nó làm đảo lộn sự hiểu biết truyền thống”.
Trí tuệ truyền thống
Trong mô hình khí hậu, thu nhỏ quy mô là quá trình sử dụng mô hình khí hậu toàn cầu với độ phân giải thô để tạo ra các chi tiết tốt hơn trên các vùng nhỏ hơn. Hãy tưởng tượng một bức tranh kỹ thuật số: Mô hình toàn cầu là một bức tranh lớn về thế giới với số lượng pixel thấp. Để thu nhỏ, bạn chỉ phóng to phần ảnh bạn muốn xem — ví dụ: Boston. Nhưng vì ảnh gốc có độ phân giải thấp nên phiên bản mới bị mờ; nó không cung cấp đủ chi tiết để đặc biệt hữu ích.
Saha giải thích: “Nếu bạn chuyển từ độ phân giải thô sang độ phân giải tinh, bạn phải thêm thông tin bằng cách nào đó. Thu nhỏ cố gắng thêm lại thông tin đó bằng cách điền vào các pixel bị thiếu. “Việc bổ sung thông tin đó có thể xảy ra theo hai cách: Có thể đến từ lý thuyết hoặc có thể đến từ dữ liệu.”
Thu nhỏ quy mô thông thường thường liên quan đến việc sử dụng các mô hình được xây dựng trên cơ sở vật lý (chẳng hạn như quá trình không khí bốc lên, làm mát và ngưng tụ hoặc cảnh quan của khu vực) và bổ sung cho nó dữ liệu thống kê lấy từ các quan sát lịch sử. Nhưng phương pháp này đòi hỏi nhiều tính toán: Cần rất nhiều thời gian và sức mạnh tính toán để chạy, đồng thời cũng tốn kém.
Một chút của cả hai
Trong bài báo mới của họ, Saha và Ravela đã tìm ra cách thêm dữ liệu theo một cách khác. Họ đã sử dụng một kỹ thuật trong học máy được gọi là học đối nghịch. Nó sử dụng hai máy: Một máy tạo dữ liệu để đưa vào ảnh của chúng tôi. Nhưng chiếc máy kia sẽ đánh giá mẫu bằng cách so sánh nó với dữ liệu thực tế. Nếu cho rằng hình ảnh là giả thì máy thứ nhất phải thử lại cho đến khi thuyết phục được máy thứ hai. Mục tiêu cuối cùng của quá trình này là tạo ra dữ liệu có độ phân giải siêu cao.
Sử dụng các kỹ thuật học máy như học đối nghịch không phải là một ý tưởng mới trong mô hình hóa khí hậu; điều mà nó hiện đang gặp khó khăn là không có khả năng xử lý một lượng lớn vật lý cơ bản, như các định luật bảo toàn. Các nhà nghiên cứu phát hiện ra rằng việc đơn giản hóa vật lý và bổ sung số liệu thống kê từ dữ liệu lịch sử là đủ để tạo ra kết quả mà họ cần.
Ravela nói: “Nếu bạn tăng cường khả năng học máy bằng một số thông tin từ số liệu thống kê và vật lý đơn giản hóa, thì đột nhiên, điều đó thật kỳ diệu”. Anh và Saha bắt đầu ước tính lượng mưa cực lớn bằng cách loại bỏ các phương trình vật lý phức tạp hơn và tập trung vào hơi nước và địa hình đất liền. Sau đó, họ tạo ra các mô hình lượng mưa chung cho vùng núi Denver cũng như vùng đồng bằng ở Chicago, áp dụng các tài khoản lịch sử để điều chỉnh kết quả. “Nó mang lại cho chúng ta những điều cực đoan, giống như vật lý học, với chi phí thấp hơn nhiều. Và nó mang lại cho chúng tôi tốc độ thống kê tương tự nhưng ở độ phân giải cao hơn nhiều.”
Một lợi ích bất ngờ khác của kết quả là cần ít dữ liệu đào tạo. Saha nói: “Thực tế là chỉ một chút vật lý và một chút số liệu thống kê là đủ để cải thiện hiệu suất của mô hình ML (học máy)… thực ra đã không rõ ràng ngay từ đầu”. Chỉ mất vài giờ để đào tạo và có thể tạo ra kết quả sau vài phút, một sự cải tiến so với nhiều tháng mà các mô hình khác phải mất để chạy.
Định lượng rủi ro nhanh chóng
Khả năng chạy các mô hình một cách nhanh chóng và thường xuyên là yêu cầu chính đối với các bên liên quan như công ty bảo hiểm và các nhà hoạch định chính sách địa phương. Ravela đưa ra ví dụ về Bangladesh: Bằng cách xem xét các hiện tượng thời tiết cực đoan sẽ tác động đến đất nước như thế nào, các quyết định về loại cây trồng nào nên trồng hoặc nơi dân cư nên di cư đến có thể được đưa ra khi xem xét một loạt các điều kiện và sự không chắc chắn rất rộng càng sớm càng tốt.
Ông nói: “Chúng tôi không thể đợi hàng tháng hoặc hàng năm để có thể định lượng được rủi ro này. “Bạn cần phải nhìn về tương lai và đối mặt với rất nhiều điều không chắc chắn để có thể nói đâu là một quyết định đúng đắn.”
Mặc dù mô hình hiện tại chỉ xem xét lượng mưa cực lớn nhưng việc đào tạo mô hình để kiểm tra các sự kiện quan trọng khác, chẳng hạn như bão nhiệt đới, gió và nhiệt độ, là bước tiếp theo của dự án. Với một mô hình mạnh mẽ hơn, Ravela hy vọng có thể áp dụng nó ở những nơi khác như Boston và Puerto Rico như một phần của kế hoạch Dự án Những thách thức lớn về khí hậu.
Ông nói: “Chúng tôi rất vui mừng trước phương pháp mà chúng tôi kết hợp cũng như những ứng dụng tiềm năng mà nó có thể mang lại”.
[ad_2]
Source link