Reklama
aplikuj.pl

Uczenie maszynowe może być kluczem do prognozowania zmian środowiskowych

lodowiec

Sztuczna inteligencja oparta na uczeniu maszynowym jest obecna w niemal każdym aspekcie codziennego życia. Naukowcy z kilku amerykańskich placówek mają jednak pomysł na wykorzystanie jej w jeszcze inny sposób.

Za projektem stoją przedstawiciele University of Minnesota, University of Pittsburgh oraz U.S. Geological Survey, którzy skupili się na przewidywaniu warunków panujących w kanałach rzek. Przeprowadzone przez nich badania pokazują wykorzystanie nowej metody uczenia maszynowego, w której algorytm uczy się reguł rządzących światem w celu zapewniania lepszych przewidywań.

Czytaj też: Nawet 80% projektów opartych na uczeniu maszynowym może zostać zautomatyzowanych

Kluczowy wydaje się fakt, że dzięki wykorzystaniu nowego modelu badacze są w stanie prognozować czynniki takie jak temperatura wody w rzece i to przy niewielkiej ilości danych wejściowych. Jak można się domyślić, temperatury są jednym z kluczowych elementów wpływających na szybkość parowania wody czy ilość rozpuszczonego w niej tlenu. Poza tym, znając możliwy przepływ w korycie rzeki, specjaliści mogliby lepiej zarządzać retencją zbiorników wodnych.

Uczenie maszynowe umożliwia przewidywanie warunków panujących zarówno w monitorowanych jak i słabo poznanych wodach

Co ciekawe, opisywana metoda została zastosowana do przewidywania temperatury wody w dorzeczu rzeki Delaware. Obszar ten jest skutecznie monitorowane pod względem temperatury wody, dlatego stanowi idealne miejsce do testowania skuteczności uczenia maszynowego w tym zakresie.

Czytaj też: Ziemia może ocieplać się tak szybko, że przekroczyliśmy „punkt bez powrotu”

W ramach innego badania, które dotyczyło przewidywania dynamiki temperatury wody w niemonitorowanych jeziorach, naukowcy wykazali, jak modele uczenia maszynowego pomogły w rozwiązaniu znacznie trudniejszego problemu. O ile w wodach, w których parametry są dobrze znane tego typu prognozy nie powinny stanowić problemu, tak sytuacja jest znacznie trudniejsza w przypadku „dzikich” obszarów. Naukowcy przekonują jednak, że uczenie maszynowe świetnie poradziło sobie z takimi warunkami.