تصویر توسط زمین ناسا

دانشمندان در حالیکه کامپیوترهای هوشمندتر می شوند، به شیوه های جدیدی برای جذب آنها به حفاظت از محیط زیست نگاه می کنند.

هنگامی که شما از هوش مصنوعی فکر می کنید، اولین تصویری است که احتمالا به ذهن می رسد یکی از روبات های ذهنی است که راه می اندازند، صحبت می کنند و مانند انسان ها را تحریک می کنند. اما نوع دیگری از AI وجود دارد که تقریبا در همه علوم تقریبا شایع است. این به عنوان یادگیری ماشین شناخته می شود و در اطراف مقادیر عظیمی از داده هایی که فن آوری مدرن به ما اجازه داده است (به نام "داده های بزرگ"

یکی از مکان های یادگیری ماشین، تبدیل شدن به سودمند ترین در علوم زیست محیطی است که مقدار زیادی از اطلاعات را از نظارت بر سیستم های مختلف زمین - کره زمین زیر زمینی، آب و هوای گرم و یا مهاجرت حیوانات تولید کرده است. تعداد زیادی از پروژه ها در این زمینه نسبتا جدید ظاهر شده اند، که پایداری محاسباتی است، که اطلاعات جمع آوری شده در مورد محیط زیست را با توانایی رایانه برای کشف روند و پیش بینی آینده سیاره ما ترکیب می کند. این برای دانشمندان و سیاست گذاران مفید است زیرا می تواند به آنها کمک کند تا برنامه هایی برای زندگی و زندگی در دنیای در حال تغییر ما ایجاد کنند. در اینجا یک نگاه به چند نفر است.

برای پرندگان و فیل ها

به نظر می رسد دانشگاه کورنل راه را در این مرز جدید هدایت می کند، احتمالا به دلیل آن است موسسه پایداری محاسباتیy و همچنین به این دلیل که سر مؤسسه، کارلا P. Gomes، یکی از پیشگامان پایداری محاسباتی است. گومز می گوید که این میدان شروع به استفاده از 2008 می کرد وقتی که بنیاد علم ملی مبلغ $ US $ 10 میلیون دلاری را به علت دانش پژوهان به تحقیقاتی که به نفع اجتماعی بود، اعطا کرد. از آن زمان تیمش - و تیم های دانشمندان در سراسر جهان - این ایده را گرفته اند و با آن کار می کنند.

یک محدوده اصلی که یادگیری ماشین می تواند به محیط زیست کمک کند با حفاظت گونه ها است. به طور خاص، مؤسسه Cornell با آزمایشگاه Ornithology کورنل کار کرده است تا مشتاقان باور نکردنی پرندگان با مشاهدات علمی را ترکیب کند. آنها یک برنامه را به نام "توسعه" کرده اند eBird که اجازه می دهد شهروندان عادی اطلاعات مربوط به پرندگان که در اطراف آنها مشاهده می کنند، از قبیل تعداد گونه های مختلفی که در یک مکان مشخص وجود دارد، ارائه شود. تا کنون، گومس می گوید، آنها بیش از داوطلبان 300,000 بیش از 300 میلیون مشاهدات ارائه کرده اند که بیش از 22 میلیون ساعت کار میدانی است.

این انیمیشن مهاجرت سالیانه پرستاران درختان نشان می دهد چگونه روش های محاسبات پایداری می تواند برای پیش بینی تغییرات جمعیت در فضا و زمان استفاده شود. تصویر توسط دانیل فینک، آزمایشگاه کرنل. از Ornithology

ترکیب داده های جمع آوری شده از eBird با داده های مشاهدات خود آزمایشگاه و اطلاعات مربوط به توزیع گونه های جمع آوری شده از شبکه های سنجش از راه دور، مدل های موسسه استفاده از ماشین یادگیری برای پیش بینی جایی که تغییرات در زیستگاه برای گونه های خاص وجود دارد و مسیرهایی که در طی آن پرندگان در طول حرکت مهاجرت.

گومز می گوید: "شکاف های بزرگی وجود دارد که در آن مشاهدات نداریم، اما اگر الگوهای مربوط به وقوع و عدم وجود رابطه را مشاهده کردید، می بینیم که این پرندگان نوع خاصی از زیستگاه ها هستند و بعد می توان آنها را تعمیم داد." "ما واقعا از مدل های پیچیده - الگوریتم های یادگیری ماشین - برای پیش بینی نحوه توزیع پرندگان استفاده می کنیم."

آنها می توانند پیش بینی های خود را با سیاست گذاران و محافظه کاران، که می توانند از آن برای تصمیم گیری در مورد چگونگی بهتر حفاظت از زیستگاه پرندگان استفاده کنند، به اشتراک بگذارند.

به عنوان مثال، گومز می گوید، بر اساس اطلاعات جمع آوری شده از طریق eBird و توسط مشارکت پردازش شده، حفاظت از طبیعت یک "حراج معکوس" در مناطق خشکسالی کالیفرنیا، به کشاورزان برنج برای حفظ آب در زمینه های خود، زمانی که پرندگان احتمالا می شود مهاجرت و نیاز به زیستگاه توقف. گومز می گوید: "این تنها امکان پذیر است، زیرا ما مدل های محاسباتی پیشرفته ای را ارائه می دهیم که اطلاعات دقیق در مورد نحوه توزیع پرندگان را به ما می دهد."

پرندگان تنها منطقه تحقیق نیستند. بیشتر کار این موسسه مربوط به حفاظت از حیات وحش است - گوش دادن به ساعات ضبط جنگل برای نشان دادن موقعیت مکالمات فیل و شلیک شکارچیان، برای مثال، یا ردیابی خرس های گریزلی برای ایجاد یک راهرو که می توانند از طریق بیابان به راحتی حرکت کنند.

بالا بردن PACE

در مرکز پرواز فضایی گودارد ناسا، دانشمند تحقیقاتی، سیسیل روسو، از یادگیری ماشین برای درک بهتر توزیع فیتوپلانکتون (همچنین به عنوان میکروالگتون) در اقیانوس ها استفاده می کند. این گیاهان میکروسکوپی روی سطح دریاها شناورند و اکثر اکسیژن هایی که تنفس می کنند تولید می کنند. آنها پایه و اساس وب غذای اقیانوسی را تشکیل می دهند. آنها همچنین دی اکسیدکربن را مصرف می کنند و هنگامی که آنها می میرند، کربن را با آنها حمل می کنند تا به طبقه اقیانوس غرق شوند.

روسو می گوید: "اگر ما فیتوپلانکتون نداشته باشیم، افزایش دی اکسید کربن را افزایش می دهیم و سپس می بینیم." از این جهت، وضعیت کلی آنها اطلاعات ضروری برای محققانی است که در تلاش برای درک تاثیر تغییرات در CO اتمسفر هستند₂ در سیاره ما.

{{youtube}eM5lX9RQzZ4{/youtube}

روسو از تصاویر ماهواره ای و مدل سازی کامپیوتر برای پیش بینی شرایط فعلی و آینده فیتوپلانکتون اقیانوسی در جهان استفاده می کند. در حال حاضر، این مدل تنها قادر به برآورد تعداد کل میکروالگها که در زمین زندگی می کنند و این که کل آن در طول زمان تغییر می کند. اما یک ماموریت جدید ماهواره ای به نام PACE (برای "ابرهای پیش آئروسل و اکوسیستم اقیانوس")، راه اندازی در 2022، مجموعه ای کامل از داده ها را که به طور دقیق تر در جمعیت مشاهده می شود را باز می کند و قادر است گونه های مختلف را شناسایی کند تا به سادگی به کل نگاه کند، که اساسا مدل فعلی را تغییر دهید

"مدل با استفاده از پارامترهای بر اساس دما، نور و مواد مغذی به ما مقدار رشد می دهد. یکی از چیزهایی که شبیه سازی انجام می دهد تنظیم کل است، "او می گوید. اما تعداد زیادی از فیتوپلانکتون های مختلف وجود دارد که همه با روش های منحصر به فرد با محیط زیست ارتباط برقرار می کنند. برای مثال، دیاتوم ها بزرگ هستند، خیلی سریع به طبقه اقیانوس می روند و نیاز زیادی به مواد مغذی دارند. PACE امکان شناسایی انواع فیتوپلانکتون در بخش های مختلف اقیانوس را فراهم می کند و توانایی مدل را برای کمک به ما در درک اینکه چگونه میکروارگانیسم ها بر اتمسفر CO₂. این امر به ما اجازه می دهد که چیزهایی مانند پیش بینی جلبک های آلژینات خطرناک را پیش بینی کنیم و به طور بالقوه راه هایی را برای بهره گیری از استعدادهای گونه هایی که کربوهیدرات بیشتری مصرف می کنند برای مقابله با تغییرات اقلیمی کشف کنیم.

EarthCube

بنیاد ملی علوم در مورد زمین به طور کلی استفاده از یادگیری ماشین برای ایجاد یک مدل زندگی 3-D از کل سیاره است. به نام EarthCube، نمایندگی دیجیتال مجموعه داده های ارائه شده توسط دانشمندان را در یک مجموعه کامل از رشته ها - اندازه گیری جو و هیدروسفر و یا ژئوشیمی اقیانوس ها، به عنوان مثال - برای تقلید شرایط در بالا و پایین سطح ترکیب خواهد شد. به دلیل حجم فراوان داده ها، مکعب را پوشش می دهد، قادر به مدل سازی شرایط مختلف و پیش بینی اینکه چگونه سیستم های سیاره پاسخ خواهند داد. و با این اطلاعات، دانشمندان قادر خواهند بود راه هایی را برای جلوگیری از وقایع فاجعه بار و یا برنامه ریزی برای کسانی که نمی توانند از آن جلوگیری کنند (مانند سیل یا آب و هوای خشنی) پیش از آنکه پیش بینی شوند، ارائه می دهند.

EarthCube ترکیب مجموعه داده ها برای ایجاد یک مدل است که می تواند مورد استفاده برای پیش بینی و به حداقل رساندن آسیب ناشی از حوادث فاجعه بار است.
تصویر توسط جیان DiLeo / USGSبه عنوان بخشی از پروژه EarthCube، نظرسنجی زمین شناسی ایالات متحده در یک پروژه ملی چارچوب علمی برای تولید پوسته دیجیتال، یک چارچوبی که بتواند درک دقیق و دقیق از فرآیندهای زیرزمینی در زمین، مانند تعادل آبهای زیرزمینی و سلامت سیستمهای آبخوری، را درک کند. Sky Bristol، مدیر بخش ارزیابی بیوگرافی در USGS و تیم USGS برای پروژه EarthCube Digital Crust می گوید: "ما قادر خواهیم بود محاسبات علمی انجام دهیم که سطح آب های زیرزمینی را در طول زمان نشان می دهد و ما می توانیم آن را در برابر سناریوهای آینده نشان دهیم. .

بریستول می گوید، یادگیری ماشین نیز بازی می کند، زمانی که دو مدل از قسمت های مختلف مکعب (مانند پوسته و جو) باید با یکدیگر همکاری کنند. به عنوان مثال، هنگامی که افزایش استخراج آبهای زیرزمینی و نیز افزایش آب و هوای گرم شدن در همان زمان به نظر می رسد، چه اتفاقی می افتد؟

این کوره دیجیتال در تابستان امسال به پایان رسیده است. پوسته دیجیتال و تمام پروژه های EarthCube منبع داده ها و نرم افزار های خود را باز می کنند. بنابراین، ظرف چند سال، هر کسی قادر به استفاده از یادگیری ماشین برای پیش بینی در مورد همه امکانات زمین آینده خواهد بود. این به این معنا است که دانشمندان علوم زمین، که در تلاش برای درک سیستم های مختلف زمین هستند و اینکه چگونه تغییرات درون آنها بر انسان تاثیر می گذارد، یک ابزار جدید را فراهم می کند که به آنها امکان می دهد اطلاعات را با یکدیگر از سراسر جهان به اشتراک بگذارند- پیش بینی های خود را بیشتر تاثیر می گذارند و به انسان فرصت می دهند برای عمل، و نه پس از آن واکنش نشان می دهند، به دنیای در حال تغییر ما.

این نمونه ها تنها بخش کوچکی از تصویر بزرگ این است که چگونه پایداری محاسباتی می تواند تغییر کند - و در حال تغییر است - توانایی ما برای ایجاد زندگی انسانی بر روی زمین پایدار است. در پروژه Cornell به تنهایی، پروژه های دیگری که از این فن آوری استفاده می کنند شامل نقشه برداری از مناطق فقر و اثربخشی کاهش فقر در کشورهای توسعه یافته، تعیین تاثیر سیاست های برداشت در شکار ماهیان اقیانوس، کشف مواد جدید است که می تواند برای جذب انرژی خورشیدی استفاده شود، تعیین تاثیر حملات کشتی بر جمعیت نهنگ ها و حتی رفع موانع کارایی و پیامدهای افزایش مالیات بنزین در ایالات متحده آمریکا اگر روند فعلی هر گونه نشانه ای باشد، می توان انتظار داشت که در سال های آینده درباره این که چگونه هوش مصنوعی به ما کمک می کند جهان را بشنویم یک مکان بهتر برای زندگی درازمدت.

این مقاله در ابتدا در ظاهر Ensia

درباره نویسنده

Erin Biba روزنامه نگار علمی آزاد در نیویورک است. کار او به طور مرتب به نظر می رسد نیوزویک، علمی آمریکایی و Mythbusters Tested.com.

کتاب مرتبط

at

با تشکر از بازدید شما InnerSelf.com، که در آن وجود دارد 20,000 + مقاله‌های تغییردهنده زندگی که «نگرش‌های جدید و امکانات جدید» را تبلیغ می‌کنند. همه مقالات به ترجمه شده است بیش از 30 زبان. اشتراک به مجله InnerSelf که به صورت هفتگی منتشر می شود و الهام روزانه ماری تی راسل. مجله InnerSelf از سال 1985 منتشر شده است.