AI और दुनिया की कठिन समस्याएँ ─ पृथ्वी और जलवायु विज्ञान
AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसार
RSS फ़ीड · 5 आइटम
AI के साथ टिपिंग पॉइंट्स का पूर्वानुमान
मूल शीर्षक: Forecasting Tipping Points with AI
टिपिंग पॉइंट, जिसके बाद कोई तंत्र अपनी मूल स्थिति में वापस नहीं लौट सकता, का पूर्वानुमान लगाना अल्पकालिक मौसम परिवर्तनों की तुलना में अधिक कठिन है। Caltech के नेतृत्व वाली एक टीम ने दिखाया कि रिकरेंट न्यूरल ऑपरेटर (RNO), जो एक प्रकार का न्यूरल नेटवर्क है, सरल मॉडलों में यह पूर्वानुमान लगा सकता है कि टिपिंग पॉइंट कब आते हैं। इनमें एक जलवायु-परिवर्तन तंत्र मॉडल और विमान के पंख के ऊपर विक्षुब्ध वायु प्रवाह के सिमुलेशन शामिल हैं। यह शोधपत्र PNAS में प्रकाशित हुआ था।
मशीन लर्निंग के साथ उप-मौसमी पूर्वानुमान को आगे बढ़ाना
मूल शीर्षक: Advancing subseasonal forecasting with machine learning
2 से 6 सप्ताह आगे की उप-मौसमी समय-सीमाओं पर पूर्वानुमान की क्षमता तेज़ी से गिर जाती है। लेखक प्रोबेबिलिस्टिक बायस करेक्शन प्रस्तुत करते हैं, जो एक मशीन लर्निंग फ्रेमवर्क है और ऐतिहासिक प्रायिकता-आधारित पूर्वानुमानों को सुधारना सीखता है, और इसे ECMWF के अग्रणी डायनामिकल और AI मॉडलों पर लागू करते हैं। इसने AI Forecasting System की मामूली उप-मौसमी क्षमता को दोगुना कर दिया और अधिकांश दबाव, तापमान और वर्षा लक्ष्यों के लिए डायनामिकल मॉडल को बेहतर बनाया, और ECMWF की 2025 की रीयल-टाइम प्रतियोगिता में इसके वैश्विक पूर्वानुमान सर्वश्रेष्ठ रहे।
पावर ग्रिड पर अंतरिक्ष मौसम के जोखिमों का पूर्वानुमान
मूल शीर्षक: Forecasting space weather risks on power grids
अत्यधिक अंतरिक्ष-मौसम की घटनाएँ ट्रांसमिशन नेटवर्क में ऐसी धाराएँ पैदा कर सकती हैं जो उपकरणों को नुकसान पहुँचाती हैं, और ग्रिड ऑपरेटरों को पर्याप्त चेतावनी के साथ यह जानना ज़रूरी है कि प्रभाव कब और कहाँ सबसे गंभीर होंगे। Microsoft Research ने एक मशीन लर्निंग पाइपलाइन बनाई है जो सौर-वायु डेटा, AE और Dst पूर्वानुमान, स्थानीय अक्षांश, भूविज्ञान और भूमि की चालकता को जोड़कर महाद्वीपीय संयुक्त राज्य के 66,935 सबस्टेशनों के लिए जोखिम अनुमान तैयार करती है। मूल्यांकन अवधि के दौरान इसने लगभग 80% बड़ी अंतरिक्ष-मौसम घटनाओं का पता लगाया और किसी विशेष जोखिम के प्रकट होने से 30 से 60 मिनट पहले ऑपरेटरों को चेतावनी दे सकती है।
छोटे किसानों की फ़सलों की मैपिंग करने वाले AI टूल ने सेनेगल में अपनी उपयोगिता साबित की
मूल शीर्षक: AI tool for mapping smallholder crops proves itself in Senegal
सेनेगल के छोटे, वर्षा-आधारित खेत वहाँ की बड़ी आबादी को जलवायु संबंधी झटकों के प्रति असुरक्षित छोड़ देते हैं, फिर भी उपग्रह से फसल-मानचित्रण के उपकरण काफ़ी हद तक पहुँच से बाहर हैं। University of Cambridge के शोधकर्ताओं ने Tessera का उपयोग किया, जो उपग्रह चित्रों पर प्रशिक्षित एक ओपन-सोर्स AI मॉडल है, और इससे सेनेगल के मूंगफली बेसिन में फसलों का मानचित्रण किया। परीक्षणों में इसने 84% बार सही परिणाम दिया, जो मौजूदा तरीकों से अधिक सटीक है, जबकि इसमें कंप्यूटिंग संसाधनों और लेबल किए गए डेटा का केवल एक छोटा हिस्सा लगा। एक परिदृश्य में इसने अगले सर्वश्रेष्ठ मॉडल से 28% बेहतर प्रदर्शन किया।
प्रायिकतावादी मशीन लर्निंग का उपयोग करके जलवायु मॉडलों से क्षेत्रीय जलवायु जोखिम आकलन
मूल शीर्षक: Regional climate risk assessment from climate models using probabilistic machine learning
जलवायु मॉडल क्षेत्रीय जोखिम निर्णयों के लिए बहुत स्थूल हैं, और मौजूदा डाउनस्केलिंग विधियाँ बड़े एन्सेम्बल के लिए बहुत महँगी हैं, बहुचर निर्भरताओं को नज़रअंदाज़ करती हैं, या ऐसे समय-संरेखित प्रशिक्षण जोड़ों की माँग करती हैं जो फ्री-रनिंग प्रोजेक्शन में उपलब्ध नहीं होते। GenFocal एक जेनरेटिव AI फ्रेमवर्क है जो बिना युग्मित प्रशिक्षण डेटा के स्थूल प्रोजेक्शन से सांख्यिकीय रूप से सटीक सूक्ष्म-स्तरीय मौसम तैयार करता है। यह हीटवेव और उष्णकटिबंधीय चक्रवात जैसे दीर्घजीवी खतरों का संश्लेषण करता है, दुर्लभ और अत्यधिक प्रभावशाली घटनाओं का अग्रणी विधियों से अधिक सटीक नमूना लेता है, और मिश्रित चरम घटनाओं के क्षेत्रीय अनुमानों को बेहतर बनाता है।