AI dan Masalah-Masalah Sulit Dunia ─ Ilmu bumi & iklim
Sains dan keilmuan yang dimajukan oleh AI, menurut disiplin
Umpan RSS · 5 item
Memprakirakan Titik Kritis dengan AI
Judul asli: Forecasting Tipping Points with AI
Titik kritis, yang setelahnya suatu sistem tidak dapat kembali ke keadaan semula, lebih sulit diprediksi daripada perubahan cuaca jangka pendek. Tim yang dipimpin Caltech menunjukkan bahwa recurrent neural operator (RNO), sejenis jaringan saraf tiruan, dapat memprediksi kapan titik kritis terjadi pada model sederhana. Model tersebut mencakup model sistem perubahan iklim dan simulasi aliran udara turbulen di atas sayap pesawat. Makalah ini diterbitkan di PNAS.
Memajukan prakiraan submusiman dengan machine learning
Judul asli: Advancing subseasonal forecasting with machine learning
Kemampuan prakiraan turun tajam pada skala waktu submusiman, yaitu 2 hingga 6 minggu ke depan. Para penulis memperkenalkan koreksi bias probabilistik, sebuah kerangka kerja machine learning yang belajar mengoreksi prakiraan probabilistik historis, dan menerapkannya pada model dinamis dan model AI terkemuka milik ECMWF. Pendekatan ini menggandakan kemampuan submusiman yang sederhana dari AI Forecasting System dan meningkatkan model dinamis untuk sebagian besar target tekanan, suhu, dan curah hujan, dan dalam kompetisi waktu nyata ECMWF 2025, prakiraan globalnya adalah yang terbaik.
Memprakirakan risiko cuaca antariksa pada jaringan listrik
Judul asli: Forecasting space weather risks on power grids
Peristiwa cuaca antariksa ekstrem dapat menginduksi arus pada jaringan transmisi yang merusak peralatan, dan operator jaringan listrik perlu mengetahui kapan dan di mana dampaknya paling parah dengan peringatan yang cukup. Microsoft Research membangun pipeline machine learning yang menggabungkan data angin surya, prakiraan AE dan Dst, lintang lokal, geologi, dan konduktivitas tanah untuk menghasilkan estimasi risiko bagi 66.935 gardu induk di Amerika Serikat daratan. Selama periode evaluasi, sistem ini mendeteksi hampir 80% peristiwa cuaca antariksa besar dan dapat memperingatkan operator 30 hingga 60 menit sebelum risiko tertentu muncul.
Alat AI untuk memetakan tanaman petani kecil terbukti andal di Senegal
Judul asli: AI tool for mapping smallholder crops proves itself in Senegal
Lahan pertanian kecil Senegal yang bergantung pada hujan membuat sebagian besar penduduk rentan terhadap guncangan iklim, namun alat pemetaan tanaman berbasis satelit sebagian besar belum terjangkau. Peneliti University of Cambridge menggunakan Tessera, model AI sumber terbuka yang dilatih dengan citra satelit, untuk memetakan tanaman di cekungan kacang tanah Senegal. Dalam pengujian, model ini memberikan hasil yang benar sebesar 84% dari waktu, lebih akurat daripada metode saat ini, sambil hanya menggunakan sebagian kecil sumber daya komputasi dan data berlabel. Dalam salah satu skenario, kinerjanya 28% lebih baik daripada model terbaik berikutnya.
Penilaian risiko iklim regional dari model iklim menggunakan pembelajaran mesin probabilistik
Judul asli: Regional climate risk assessment from climate models using probabilistic machine learning
Model iklim terlalu kasar untuk keputusan risiko regional, dan metode downscaling yang ada terlalu mahal untuk ensambel besar, melewatkan ketergantungan multivariat, atau memerlukan pasangan data pelatihan yang selaras waktu yang tidak dimiliki proyeksi yang berjalan bebas. GenFocal adalah kerangka kerja AI generatif yang menghasilkan cuaca skala halus yang akurat secara statistik dari proyeksi kasar tanpa data pelatihan berpasangan. Kerangka ini mensintesis bahaya berumur panjang seperti gelombang panas dan siklon tropis, mengambil sampel peristiwa berdampak tinggi yang langka dengan lebih akurat daripada metode terkemuka, dan memperbaiki estimasi regional untuk ekstrem majemuk.