AI na Matatizo Magumu ya Ulimwengu ─ Sayansi ya Dunia na hali ya hewa
Sayansi na taaluma zinazoendelezwa na AI, kwa taaluma
Mlisho wa RSS · 5 vipengee
Kutabiri Vidokezo vya Mageuzi Makubwa kwa AI
Kichwa asilia: Forecasting Tipping Points with AI
Vilele vya mabadiliko, ambavyo baada yake mfumo hauwezi kurudi katika hali yake ya awali, ni vigumu zaidi kutabiri kuliko mabadiliko ya hali ya hewa ya muda mfupi. Timu inayoongozwa na Caltech ilionyesha kwamba recurrent neural operator (RNO), aina ya mtandao wa neva, inaweza kutabiri vilele vya mabadiliko vinapotokea katika miundo rahisi. Hii inajumuisha muundo wa mfumo wa mabadiliko ya tabianchi na uigaji wa mtiririko wa hewa wenye msukosuko juu ya bawa la ndege. Makala hiyo ilichapishwa katika PNAS.
Kuendeleza utabiri wa kipindi cha chini ya msimu kwa ujifunzaji wa mashine
Kichwa asilia: Advancing subseasonal forecasting with machine learning
Ustadi wa utabiri hushuka kwa kasi katika vipindi vya muda vya kati ya msimu vya wiki 2 hadi 6 mbele. Waandishi wanawasilisha probabilistic bias correction, mfumo wa kujifunza kwa mashine unaojifunza kusahihisha utabiri wa kihistoria wa kiuwezekano, na kuutumia kwa mifumo inayoongoza ya ECMWF ya kidinamiki na ya AI. Ulizidisha mara mbili ustadi mdogo wa kati ya msimu wa AI Forecasting System na kuboresha mfumo wa kidinamiki kwa malengo mengi ya shinikizo, joto na mvua, na katika shindano la wakati halisi la ECMWF la 2025 utabiri wake wa kimataifa ulikuwa bora zaidi.
Kutabiri hatari za hali ya hewa ya anga za juu kwenye gridi za umeme
Kichwa asilia: Forecasting space weather risks on power grids
Matukio makali ya hali ya hewa ya anga za juu yanaweza kusababisha mikondo katika mitandao ya usambazaji inayoharibu vifaa, na waendeshaji wa gridi wanahitaji kujua ni lini na wapi athari zitakuwa kali zaidi wakiwa na tahadhari ya kutosha. Microsoft Research ilijenga mfumo wa kujifunza kwa mashine unaounganisha data ya upepo wa jua, utabiri wa AE na Dst, latitudo ya eneo, jiolojia, na upitishaji umeme wa ardhi ili kutoa makadirio ya hatari kwa vituo vidogo vya umeme 66,935 katika Marekani bara. Katika kipindi cha tathmini ilitambua karibu 80% ya matukio makubwa ya hali ya hewa ya anga za juu na inaweza kuwaonya waendeshaji dakika 30 hadi 60 kabla ya hatari mahususi kujitokeza.
Zana ya AI ya kuchora ramani ya mazao ya wakulima wadogo yajithibitisha nchini Senegal
Kichwa asilia: AI tool for mapping smallholder crops proves itself in Senegal
Mashamba madogo ya Senegal yanayotegemea mvua huiacha sehemu kubwa ya wakazi katika hatari ya mishtuko ya tabianchi, ilhali zana za kuchora ramani za mazao kwa kutumia setilaiti kwa kiasi kikubwa hazipatikani. Watafiti wa Chuo Kikuu cha Cambridge walitumia Tessera, modeli ya AI ya chanzo huria iliyofunzwa kwa picha za setilaiti, kuchora ramani ya mazao katika eneo la karanga la Senegal. Katika majaribio ilitoa matokeo sahihi kwa 84% ya nyakati, kwa usahihi zaidi kuliko mbinu za sasa, huku ikitumia sehemu ndogo tu ya rasilimali za kompyuta na data iliyowekewa lebo. Katika hali moja ilifanya vizuri zaidi kwa 28% kuliko modeli bora inayofuata.
Tathmini ya hatari za hali ya hewa za kikanda kutoka kwa miundo ya hali ya hewa kwa kutumia kujifunza kwa mashine kwa uwezekano
Kichwa asilia: Regional climate risk assessment from climate models using probabilistic machine learning
Modeli za hali ya hewa ni pana mno kwa maamuzi ya hatari ya kikanda, na mbinu zilizopo za kupunguza ukubwa wa azimio ni ghali mno kwa makundi makubwa ya miigo, hukosa utegemezi wa vigeu vingi, au huhitaji jozi za mafunzo zinazolingana kwa wakati ambazo makadirio huru hukosa. GenFocal ni mfumo wa AI zalishi unaozalisha hali ya hewa ya kina kidogo yenye usahihi wa kitakwimu kutoka kwa makadirio mapana bila data ya mafunzo ya jozi. Unaunda hatari za muda mrefu kama mawimbi ya joto na vimbunga vya tropiki, huchukua sampuli za matukio adimu yenye athari kubwa kwa usahihi zaidi kuliko mbinu zinazoongoza, na huboresha makadirio ya kikanda ya hali mbaya zilizoungana.