Rychlý pokrok ve vývoji umělé inteligence a strojového učení umožnil vědcům využívat nový nástroj pro výzkum klimatu. Na rozdíl od modelů, které se řídí souborem předem definovaných pravidel, se strojové učení zaměřuje na budování systémů, které se mohou taková pravidla učit a odvozovat samy z dat. Vzniká tak nový směr výzkumu klimatu, jehož cílem je řešit přetrvávající problémy výzkumu a zlepšit prognózy do budoucna.
Klimatické modely se v posledních desetiletích neustále zdokonalují. Nedávno se naučily například zohlednit biogeochemické cykly, tedy přenos chemických látek mezi živými organismy a jejich prostředím, a to, jak se vzájemně ovlivňují s klimatickým systémem. „Modely systému Země“ (ESM) se používají k projekci budoucího klimatu podle různých scénářů emisí skleníkových plynů.
ESM jsou postaveny na rovnicích, představujících procesy a interakce, které řídí zemské klima. Navzdory jejich obrovskému úspěchu, detailnosti a komplexitě si však EMS zatím zachovávají některá omezení. Není třeba jasné, jak dobře dokážou zachytit závažnost a četnost extrémních jevů a náhlých změn. S tímto by mohlo pomoci právě strojové učení.
Neuronové sítě ve výzkumu klimatu
Strojové učení je zastřešující pojem pro mnoho různých nástrojů, z nichž nejznámějším jsou umělé neuronové sítě – soubor vzájemně propojených algoritmů volně modelovaných podle lidského mozku. Neuronovou síť lze vycvičit k identifikaci a klasifikaci vzorců na satelitních snímcích, tedy například struktur mraků, oceánských vírů nebo kvality úrody. Dokážou také na základě dřívějších záznamů, výstupů, modelů a rovnic předpovídat počasí.
Na rozdíl od ESM nevyžadují neuronové sítě předchozí znalosti o zákonech a vztazích v rámci problému. Příslušné vztahy si odvodí samy výhradně z dat použitých během automatizovaného procesu učení. Tento flexibilní a výkonný koncept lze rozšířit na téměř jakoukoli úroveň složitosti. Dostupnost dat a modelových simulací v kombinaci s nástroji strojového učení vedla k rozmachu nových studií, které zkoumaly, jak lze strojové učení použít k rozšíření nebo dokonce nahrazení klasických úloh EMS.
Tyto studie nahlíží na neuronové sítě jako na vysoce specializované algoritmy, které jsou vyškoleny k řešení velmi specifických problémů výhradně na základě předložených dat souvisejících s daným problémem. Často pracují s omezeným počtem fyzikálních proměnných či ve zjednodušeném prostředí, s prostorovým rozlišením mnohem nižším než v nejmodernějších ESM. Bude tedy potřeba vyzkoušet, jak účinně a spolehlivě si poradí se složitou klimatickou materií.
Hybridy EMS a strojového učení
Zpočátku se strojové učení ve výzkumu klimatu používalo především pro automatizovanou analýzu vzorců a vztahů v pozorováních Země. V poslední době se však stále častěji zaměřuje na EMS – například urychlováním výpočetně náročných simulací. Tento vývoj vedl ke koncepci „hybridů“ ESM a strojového učení, jejichž cílem je spojit metodologické výhody klasických modelů a zároveň minimalizovat jejich omezení.
Možné varianty takovýchto systémů jsou nyní označovány pojmem „neuronové modelování systému Země“. Hybridní koncept byl zkoumán například pro analýzu kontinentální hydrologie. V současnosti teprve pronikáme do potenciálních výhod strojového učení, ale je zřejmé, že v této oblasti se od vývoje čeká opravdu hodně.