ИИ и сложнейшие проблемы мира ─ Науки о Земле и климате
Наука и научные знания, продвигаемые ИИ, по дисциплинам
RSS-лента · 5 материалов
Прогнозирование критических точек с помощью ИИ
Оригинальное название: Forecasting Tipping Points with AI
Критические точки, после которых система не может вернуться в исходное состояние, предсказать сложнее, чем краткосрочные изменения погоды. Команда под руководством Калтеха показала, что рекуррентный нейронный оператор (RNO) — разновидность нейронной сети — способен предсказывать наступление критических точек в простых моделях. К ним относятся модель климатической системы и симуляции турбулентного воздушного потока над крылом самолёта. Статья опубликована в PNAS.
Развитие субсезонного прогнозирования с помощью машинного обучения
Оригинальное название: Advancing subseasonal forecasting with machine learning
Качество прогнозов резко падает на субсезонных масштабах от 2 до 6 недель. Авторы представляют вероятностную коррекцию смещения — фреймворк машинного обучения, который учится корректировать исторические вероятностные прогнозы, — и применяют его к ведущим динамической и ИИ-моделям ECMWF. Он удвоил скромное субсезонное качество Artificial Intelligence Forecasting System и улучшил динамическую модель для большинства целевых показателей давления, температуры и осадков, а в конкурсе ECMWF 2025 года в реальном времени его глобальные прогнозы оказались лучшими.
Прогнозирование рисков космической погоды для электросетей
Оригинальное название: Forecasting space weather risks on power grids
Экстремальные события космической погоды могут индуцировать токи в передающих сетях, которые повреждают оборудование, и операторам энергосетей необходимо с достаточным упреждением знать, когда и где последствия будут наиболее серьёзными. Microsoft Research создала конвейер машинного обучения, объединяющий данные о солнечном ветре, прогнозы AE и Dst, местную широту, геологию и проводимость грунта, чтобы получать оценки риска для 66 935 подстанций на континентальной части США. За оценочный период он обнаружил почти 80% крупных событий космической погоды и способен предупредить операторов за 30–60 минут до появления конкретного риска.
ИИ-инструмент для картирования культур мелких фермеров доказал свою эффективность в Сенегале
Оригинальное название: AI tool for mapping smallholder crops proves itself in Senegal
Небольшие фермерские хозяйства Сенегала, зависящие от дождей, делают значительную часть населения уязвимой к климатическим потрясениям, однако спутниковые инструменты картографирования сельскохозяйственных культур им почти недоступны. Исследователи из Кембриджского университета использовали Tessera — модель ИИ с открытым исходным кодом, обученную на спутниковых снимках, — чтобы составить карту посевов в арахисовом бассейне Сенегала. В тестах она давала верный результат в 84% случаев, то есть точнее современных методов, при этом используя лишь малую долю вычислительных ресурсов и размеченных данных. В одном из сценариев она показала результат на 28% лучше, чем следующая по качеству модель.
Оценка региональных климатических рисков по климатическим моделям с помощью вероятностного машинного обучения
Оригинальное название: Regional climate risk assessment from climate models using probabilistic machine learning
Климатические модели слишком грубы для принятия региональных решений о рисках, а существующие методы даунскейлинга слишком затратны для больших ансамблей, упускают многомерные зависимости или требуют синхронизированных по времени обучающих пар, которых нет у свободно рассчитываемых прогнозов. GenFocal — генеративная ИИ-платформа, которая создаёт статистически точную мелкомасштабную погоду на основе грубых прогнозов без парных обучающих данных. Она синтезирует долгоживущие опасные явления, такие как волны жары и тропические циклоны, точнее ведущих методов воспроизводит редкие события с сильным воздействием и улучшает региональные оценки составных экстремальных явлений.