Бен Герцель, Нейц Знидар, Мэтт Икле, Шехерезада Герцель
ДЕЦЕНТРАЛИЗОВАННЫЙ ИИ ДЛЯ ЗДОРОВОЙ ПЛАНЕТЫ:Компания SingularityNET была основана с целью создания глобальной децентрализованной платформы ИИ и ее использования для создания мощного общего искусственного интеллекта и достижения благих целей. Аспект «общественного блага» миссии организации с самого начала проявлялся в научно-исследовательских работах команд SingularityNET и Mozi.ai по применению ИИ в биологии человеческого долголетия. В более поздних исследованиях и разработках используется искусственный интеллект SingularityNET для защиты здоровой планеты и глобальной экологической устойчивости. Эта запись в блоге является первой в серии сообщений о применении децентрализованного ИИ в науке об устойчивом развитии и окружающей среде.
TL;DR
Существующие имитационные модели климата ценны и содержательны, но очень сложны с многочисленными параметрами, что затрудняет их использование для оценки причинного воздействия различных антропогенных или природных факторов на глобальное повышение температуры.
Поэтому мы стремились дополнить подход к моделированию исследованием с использованием статистических инструментов прогнозирования и машинного обучения. В качестве первого шага в этом направлении мы использовали известный метод на стыке статистики и ИИ, причинно-следственную связь Грейнджера, для оценки влияния различных факторов на повышение температуры за последние 130 лет с помощью прямого анализа данных без имитационного моделирования. .
Оказалось, что сочетание хорошо перемешанных выбросов парниковых газов, тропосферных аэрозолей, выбросов озона и изменений в моделях землепользования оказало значительное причинное влияние на глобальные температуры суши и моря в этот период времени, и тем более в последние десятилетия. Сейчас мы продолжаем эту предварительную работу более углубленной работой с использованием инструментов ИИ для прогнозного моделирования повышения глобальной температуры на основе многомерного нелинейного анализа временных рядов.
Реальность глобального повышения температуры становится все более очевидной почти для всех, кто живет на этой планете, как и серьезная трудность подтолкнуть мировую экономику к действиям со значительными шансами на замедление этого повышения.
Где мы сейчас
Ситуация подталкивает некоторых людей к крайностям, что приводит к целому ряду апокалиптических предсказаний, преувеличивающих ситуацию для драматического эффекта. С научной точки зрения трудно поддержать такие утверждения, как Через 12 лет миру придет конец, если мы не решим проблему изменения климата (Александрия Окасио-Кортез) или Примерно к 2030 году мы будем в состоянии установить от необратимой цепной реакции, неподвластной человеческому контролю, которая приведет к концу нашей цивилизации, какой мы ее знаем (Грета Тунберг).
И все же легко понять, почему заинтересованные лица могут выбирать такие преувеличенные формулировки. Год за годом, десятилетие за десятилетием мы видим, как тает все больше ледников, все больше видов вымирает из-за антропогенного воздействия, и тех, кто в силах решить эти проблемы, похоже, это мало заботит. Даже если результаты глобального повышения температуры не будут по-настоящему апокалиптическими, а просто чрезвычайно разрушительными, возможно, наш вид должен делать с ними гораздо больше.
Не то чтобы общество полностью игнорирует проблему. Новые отрасли, такие как электромобили и фермы, работающие на возобновляемых источниках энергии, появляются с целью сделать наш современный образ жизни более устойчивым. Но какими бы амбициозными ни были эти усилия, они несколько отстают от основного глобального экономического двигателя… и в последнее время становится ясно, что — по крайней мере, согласно нашему лучшему текущему научному пониманию — нынешний уровень усилий не будет достаточно, чтобы резко замедлить процесс потепления.
Вполне возможно, что, учитывая реалии мирового политического и экономического порядка, наш лучший подход к управлению изменением климата будет включать в себя активное стремление и применение передовых технологий. Принимая во внимание изречение, приписываемое по-разному Эйнштейну и Раму Дассу, что «значительные проблемы, которые у нас есть, не могут быть решены на том же уровне мышления, на котором мы их создали», можно предположить, что технологический подход к изменению климата, вероятно, требует технологий. радикально более продвинутые и качественно отличные от технологий индустриальной эпохи, создавших проблему.
Геоинженерные решения — это один из мыслимых подходов, хотя очевидно, что они сопряжены со значительными рисками наряду с захватывающими потенциальными выгодами. Также интересно изучить, как могут применяться технологии искусственного интеллекта.
В широком смысле существует два вида применения ИИ к изменению климата: во-первых, чтобы помочь нам понять, что происходит с глобальным климатом; и, во-вторых, помочь нам что-то с этим сделать. В SingularityNET мы работаем по обоим векторам.
Что касается «сделать что-то с этим», например, в будущем сообщении в блоге здесь будет рассказано об использовании ИИ для оценки количества углерода, выделенного на определенной ферме или в лесу, по аэрофотоснимкам (что полезно, среди прочего, для недорогостоящих целей). определение суммы углеродных кредитов, которую должен получить владелец фермы или леса).
В этом сообщении в блоге описаны некоторые первые шаги в направлении «понимания того, что происходит».
В штаб-квартире SingularityNET в Гонконге, как вы читаете эти слова, предпринимаются усилия по использованию технологии машинного обучения OpenCog MOSES для изучения точных прогностических моделей, прогнозирующих глобальное повышение температуры на основе переменных, описывающих соответствующую деятельность человека. В этом посте обобщаются некоторые предварительные работы, которые были проделаны, чтобы подготовить почву для этих усилий в области прогнозного моделирования, направленных на понимание того, какие комбинации переменных оказывают существенное причинно-следственное влияние на глобальную температуру и, следовательно, должны рассматриваться как входные характеристики для машинного обучения. на основе прогностических моделей.
Пища для размышлений для искренних скептиков антропогенного глобального потепления
Помимо предоставления руководства для нашей работы по машинному обучению в области изменения климата, мы надеемся, что эти простые исследования с использованием причинно-следственной связи Грейнджера могут немного помочь разрядить некоторые споры, которые все еще остаются вокруг климатического кризиса. Многие люди и политические организации по-прежнему игнорируют нынешний консенсус в отношении глобального изменения климата. США, например, недавно вышли из Парижского соглашения по климату, по которому многие другие страны, как развивающиеся, так и развитые, согласились снизить свои выбросы и сделать свою политику более экологичной. В тех случаях, когда скептицизм в отношении изменения климата представляет собой подлинный скептицизм, а не идеологическую предвзятость или экономический оппортунизм, приведенные здесь исследования могут иметь определенную ценность для преодоления разрыва между скептиками и мнением большинства.
Хорошим примером подлинно скептического взгляда является взгляд (ныне покойного) легендарного физика Фримена Дайсона. Дайсон не сомневался в реальности недавнего глобального повышения температуры и не сомневался, что выбросы парниковых газов сыграли в этом какую-то роль. Однако он очень скептически относился к моделям моделирования климата, утверждая, что их параметры, как правило, переопределяются с историческими данными и что они не учитывают многие аспекты окружающей среды, которые, как известно, имеют решающее значение, такие как комплексное воздействие биологических организмов на эволюцию климата. . Джеймс Лавлок, создатель гипотезы Геи (описывающей экосистему как своего рода глобальный биохимический разумный организм), который какое-то время был чрезвычайно обеспокоен изменением климата как угрозой исчезновения, в последнее время стал скептически относиться к современному климату. имитационные модели» по тем же причинам.
Трудно отрицать чрезмерное приспособление аспектов климатических моделей к историческим данным: обычно, чтобы климатическая модель точно объясняла данные за определенный исторический период, исследователю необходимо изменить параметры модели на основе наблюдаемых результатов моделирования за этот период. период. Это нормально для поисковых исследований, но это неправильная статистическая методология, если кто-то стремится делать точные прогнозы на будущее.
Недавний метаанализ показывает, что многие исторические модели моделирования климата дали бы достаточно точные прогнозы глобального повышения температуры из года в год, если бы они получали точные данные о таких факторах, как выбросы CO2, из года в год. Многие неверные прогнозы, опубликованные на основе этих моделей, были ошибочными из-за пессимистических предположений о будущей деятельности человека (например, из-за переоценки будущих выбросов CO2), а не из-за проблем в самих имитационных моделях.
Например, в 1970 году, если кто-то хотел использовать имитационную модель для прогнозирования глобальной температуры на период до 2007 года, нужно было использовать не только модель, но и некоторые предположения о выбросах CO2 и другой деятельности человека каждый год с 1970 по 2007 год. Неправильное питание предположения о будущей деятельности человека в достаточно точную имитационную модель все еще могут давать ужасные предсказания. Повторный запуск моделей 1970 года с использованием исторически точных данных о деятельности человека с 1970 по 2007 год часто дает гораздо более точные прогнозы для этого периода.
Однако этот же метаанализ также показывает, что более современные модели моделирования климата часто дают менее точные прогнозы, чем более старые. Это вызывает беспокойство и, скорее всего, связано с повышенной сложностью более поздних моделей. Добавление большего количества параметров без соразмерно большего количества данных для настройки параметров приведет к увеличению переобучения и, следовательно, к снижению точности прогнозирования.
Чтобы избежать ограничений и трудностей, присущих прогнозированию, основанному на сложных имитационных моделях при наличии относительно скудных данных, мы решили использовать более прямой подход к изучению ключевого вопроса, по которому скептики изменения климата расходятся с научным мейнстримом. : Важность антропогенных факторов для повышения глобальной температуры.
Вместо использования имитационных моделей в описанной здесь работе мы использовали проверку статистической гипотезы, называемую многомерной причинностью Грейнджера, которая определяет, вызывает ли определенный набор временных рядов значительное изменение определенного временного ряда. Другими словами, мы использовали его для поиска причинно-следственных связей между различными, возможно, релевантными переменными — в данном случае переменными, представляющими различные факторы, влияющие на климат (называемые «воздействием» на жаргоне климатологов), — и временными рядами глобальное повышение температуры.
Предыдущие климатические исследования использовали этот метод раньше, но в более ограниченном виде — в основном просто рассматривали одну или две вариации одного и того же воздействия. Наша цель здесь состояла в том, чтобы найти причинное влияние нескольких воздействий, рассматриваемых вместе. Инструменты ИИ особенно хороши при поиске шаблонов, объединяющих несколько входных переменных, поэтому, если здесь существует такая причинно-следственная связь, это хороший признак того, что дальнейшая углубленная работа с использованием методов ИИ может быть полезной.
Наша идея здесь заключалась в следующем: если антропогенные факторы действительно сыграли важную роль в повышении глобальной температуры в течение последнего столетия или около того, эти статистические методы должны быть в состоянии найти хотя бы намек на эту причинно-следственную связь. Чтобы лучше понять причинно-следственные связи, могут потребоваться продвинутые инструменты машинного обучения, но статистические методы, такие как причинно-следственная связь по Грейнджеру, должны дать некоторые первые подсказки, за которыми затем может последовать более тонкий анализ ИИ.
Данные
Мы провели поиск в банках данных НАСА относительно факторов, влияющих на глобальный климат, и нашли семь основных факторов с информацией о том, насколько сильно они нагревают Землю на квадратный метр:
Три естественных влияния:
- Солнечное излучение
Сколько тепла Земля получает от солнца - Стратосферные аэрозоли
Часто это серная кислота и вода, в основном образованные вулканами. - Орбитальные воздействия
Изменения формы орбиты Земли и наклона земной оси
И четыре антропогенных (техногенных) воздействия:
- Хорошо перемешанные парниковые газы
Углекислый газ, метан, закись азота и т. д. - Изменения в землепользовании
В основном преобразование земель из естественной растительности, такой как леса, в сельскохозяйственные угодья или пастбища. - Тропосферные аэрозоли
Сульфаты, нитраты, морская соль, черный углерод и т. д. и их влияние как непосредственно, так и в виде облаков - Озон
O3, природный и антропогенный продукт в стратосфере и тропосфере — Тропосферный озон обычно возникает в результате сочетания солнечного света и антропогенных выбросов.
Включив все эти факторы, мы рассмотрели гораздо больше человеческих и природных воздействий, чем предыдущие исследования причинно-следственной связи Грейнджера. И мы также рассмотрели влияние, которое эти отдельные переменные оказывают при совместном действии, что важно для динамического понимания того, какие конкретные комбинации действий могут вызывать резкое повышение глобальной температуры, подобное тому, которое наблюдалось в последние годы.
У самих климатических данных есть свои проблемы с точностью, поэтому, чтобы быть более уверенными в своих выводах, мы использовали два разных типа климатических данных и проанализировали два отдельных периода времени. Важно включить подробные климатические данные как можно раньше, но ранние климатические данные менее точны, чем более свежие климатические данные, поэтому мы рассмотрели эти два периода отдельно: с 1880 по 2012 год и с 1958 по 2012 год.
Глядя на данные между 1880 и 1958 годами, мы обнаруживаем, что часто не было надлежащих инструментов для точного измерения воздействий и температур, а это означает, что данные часто являются приблизительными. Мы использовали данные, полученные от НАСА; многие исследователи усердно работали над тем, чтобы сделать его как можно более точным, и он обычно используется в исследованиях, но, тем не менее, тот факт, что это приблизительные значения, может повлиять на окончательные результаты любого исследования, проведенного с ними.
Температурные данные для второго временного периода более точны из-за наличия более современных инструментов. Например, эти данные были получены со спутников, которые, как правило, более точны, чем измерительные станции, которые могут быть искажены такими вещами, как эффект городского острова тепла и т. д.
Существует также вопрос о том, следует ли смотреть на температуру суши или моря. Учитывая, что по сравнению с температурой поверхности океана температура поверхности земли может быть легко изменена с помощью небольшого количества энергии, мы использовали данные только о температуре океана и средние значения температуры поверхности земли и температуры поверхности океана вместе.
На приведенном ниже графике показано развитие различных воздействий и их различные эффекты с 1850 по 2012 год. Из этого рисунка визуально видно, что антропогенные воздействия оказали гораздо большее влияние на общее повышение температуры, чем естественные воздействия за эти 162 года. Это один намек на то, что антропогенные факторы могут иметь какое-то отношение к глобальному потеплению, но это ни в коем случае не доказательство. Некоторые воздействия могут иметь ограниченное влияние на глобальное потепление, даже если они имеют некоторое влияние на глобальную температуру, поэтому мы проанализировали их более внимательно.
На приведенных выше графиках видно, что естественные воздействия иногда имеют огромные краткосрочные вариации. В основном это вызвано вулканическими аэрозолями. Например, извержение Кракатау в 1883 году подняло в воздух большое количество вулканической пыли и, следовательно, повлияло на климат в течение следующих нескольких лет. Но извержения вулканов всегда происходили регулярно, и если они и оказывают какое-то влияние на климат, чего обычно не делают, то, как правило, кратковременное. Тем не менее, как и все другие наши форсинги, мы проверили, оказали ли они значительный эффект в течение трех лет зарегистрированных данных.
Причинно-следственный анализ Грейнджер
И так: Анализируя данные с 1880 г. до недавнего времени, мы рассмотрели, как различные комбинации воздействий влияли на температуру до 3 лет в будущем.
Наряду с проверкой каждого отдельного воздействия, мы провели некоторые тесты, рассматривая только естественные воздействия (стратосферное, солнечное и орбитальное воздействия), а некоторые тестировали различные наборы антропогенных воздействий (хорошо смешанные парниковые газы, землепользование, тропосферные аэрозоли (как их прямые и косвенные эффекты) и воздействие озона).
Наша цель состояла в том, чтобы посмотреть, сможем ли мы найти какие-либо наборы воздействий, которые существенно влияют на температуру океана и комбинацию глобальной температуры поверхности и океана.
Для любителей статистики в аудитории стоит подчеркнуть, что для всех различных воздействий и комбинаций воздействий мы рассмотрели несколько разных моделей, некоторые из которых были менее применимы к нашим временным рядам, чем другие. Как и любая статистическая методология, причинно-следственный анализ по Грейнджеру требует некоторых математических предположений относительно моделируемых величин, и мы хотели убедиться, что наши результаты не слишком сильно зависят от таких предположений. Варианты моделирования, которые мы рассмотрели, были,
- «Тренд» и «Нет тренда» Первое из которых предполагает наличие постоянного тренда температуры, а второе – нет.
- «Постоянная» и «Не постоянная». Первая из них предполагает, что температура стабильна, а вторая — нет.
Включать константу или нет, зависит от стационарности рассматриваемого нами временного ряда, а включать ли тренд или нет, зависит от того, есть ли линейный тренд во времени. Что включать, в конечном счете, зависит от временного ряда, но мы все равно решили включить все возможные тесты. Таким образом, мы смогли определить, на чем лучше всего сосредоточить наши выводы после просмотра результатов. В конечном итоге мы решили, что имеет смысл уделить некоторое внимание моделям с константой, трендом или трендом и константой.
Результаты! Результаты! Результаты!
Так каков же был результат всего этого анализа?
Следующие результаты представлены как p-значения, они представляют статистическую значимость каждой переменной или набора переменных. Все, что отмечено p-значением 5% и ниже, считается статистически значимым.
Природные воздействия (1880–2012 гг.):
В левой части приведены результаты для средней температуры океана и поверхности, а в правой части - результаты только для средней температуры океана.
В таблице представлены статистически значимые результаты. Разные цвета представляют разные степени значимости; зеленым отмечены наиболее значимые значения, а красным отмечены наименее значимые из статистически значимых значений; все значения, выделенные белым цветом, не являются статистически значимыми.
В целом: совершенно очевидно, что существует несколько наборов переменных, которые показывают статистическую значимость в одних моделях, но не в других. Значение для некоторых наборов переменных исчезает, если мы решим наблюдать только за температурой океана, а для других — если мы решим рассматривать только один из периодов времени.
Природные воздействия (1958–2012)
На протяжении более короткого промежутка времени мы получаем несколько больше статистически значимых причинно-следственных связей между переменными (каузальности), но, опять же, некоторые исчезают, когда речь идет только о температуре океана. Менее значительные причинно-следственные связи труднее обнаружить с помощью измерений океана из-за того, насколько медленно меняется температура океана.
Совершенно иную картину мы получаем, когда смотрим на результаты антропогенного воздействия.
Антропогенные воздействия (1880–2012 гг.):
Результаты чертовски ясны: Частота статистически значимых наборов антропогенных воздействий намного выше, чем для естественных наборов.
Можно видеть, что «постоянная» модель имеет много значимых наборов воздействий. Но когда дело доходит до обнаружения причинно-следственной связи только в температуре океана, существует еще меньше значительных наборов воздействий.
Когда мы смотрим на более короткий промежуток времени (1958 и 2012 годы), мы получаем аналогичные результаты. Мы можем видеть, что в коротком промежутке времени значимых причинных связей меньше, чем в более длительном, но все же гораздо больше, чем для естественных наборов воздействий.
Антропогенные воздействия (1958–2012 гг.):
Проверив эти более длинные и более короткие промежутки времени, температуры по комбинации поверхности земли и поверхности океана и только по поверхности океана, мы смогли увидеть, существуют ли какие-то наборы воздействий, которые всегда являются значительными. Оказывается, их три: переменные с метками {WMGHG, Ozone, TropAerInd}.
А именно: обнаружено, что хорошо перемешанные парниковые газы, озон и тропосферные аэрозоли имеют большое значение во всех протестированных моделях для обоих временных интервалов и для обоих типов измерения температуры.
Это убедительный показатель того, что эти три фактора вместе могут повлиять на глобальную температуру в течение трех лет.
Есть также несколько других общих наборов факторов, которые, как было обнаружено, вызывают значительные изменения температуры почти во всех моделях и временных интервалах. Одним из них является совместное сочетание хорошо перемешанного парникового газа, землепользования. озон и тропосферные аэрозоли. Вместе они не имеют достаточной статистической значимости только в случае температуры океана в модели «тренд и постоянная» — и даже там они значимы на уровне 10%.
Хотя найти наборы антропогенных факторов, которые всегда значимы, было легко, этого нельзя сказать о природных факторах. С ними мы все еще получаем причинно-следственные связи в некоторых моделях, но они не сохраняются во всех других моделях. В частности, мы видим причинно-следственные связи в моделях с константами, но даже простое рассмотрение другого временного промежутка или источника температуры может лишить их статистической значимости.
Одна из самых важных вещей, которую следует отметить в данных о естественных воздействиях, заключается в том, что если мы посмотрим на более статистически значимые наборы естественных воздействий, орбитальные воздействия, как правило, являются их частью. Чем больше факторов мы добавляем к орбитальным воздействиям, тем слабее становится причинно-следственная связь. Хотя это и не является окончательным, это наводит на мысль, что орбитальные воздействия могут быть причиной некоторой степени долгосрочного изменения температуры, которое происходило в течение последних нескольких сотен лет. Их влияние на климат кажется относительно небольшим по сравнению с недавним внезапным повышением температуры, поэтому вряд ли это сильно повлияет на изменение климата за последние 130 лет, но интригует то, что это может быть умеренное влияние на долгосрочное изменение температуры. .
Результаты не так далеки от того, что показывают предыдущие исследования, но они гораздо более конкретны и дают четкие ответы на некоторые важные вопросы. Это демонстрирует особенно четкое доказательство того, что не только человеческое влияние, вероятно, было движущей силой недавнего изменения климата, но и что естественные факторы, влияющие на климат, этого не сделали. Мы не проверяли точный вклад каждого фактора, потому что Метод причинно-следственной связи Грейнджера не идеально подходит для этого, но он будет изучать этот и другие аспекты в дальнейших исследованиях.
Что дальше?
Здесь мы показали, что если оставить в стороне сложности имитационного моделирования климата и смотреть на вещи исключительно с точки зрения обработки чисел, существует статистически очень четкая причинно-следственная связь между определенными комбинациями антропогенных воздействий и глобальным повышением температуры.
Основываясь на наших результатах, кажется разумным предположить, что тропосферные аэрозоли, хорошо перемешанные парниковые газы, озон и, в некоторой степени, модели землепользования являются основными причинами изменения климата.
Эти выводы не должны никого особенно шокировать. Но ранее мы не видели столь же ясной, статистически строгой демонстрации причинного воздействия комбинации этих факторов на глобальное повышение температуры.
Следующим, довольно небольшим шагом в этой «объяснительной» части нашей исследовательской программы ИИ/устойчивости будет использование технологий искусственного интеллекта SingularityNET для углубленного прогностического моделирования. Насколько точно прогностическое моделирование ИИ с учетом факторов, которые анализ причинно-следственных связей Грейнджер определил как релевантные, может прогнозировать глобальную температуру в будущем?
Помимо этого, может быть интересно рассмотреть потенциальное синергетическое использование методов имитационного моделирования и анализа временных рядов для понимания изменения климата. Возможно, методы анализа временных рядов можно использовать, чтобы помочь автоматизировать процесс настройки параметров для сложных климатических моделей, тем самым уменьшая степень переобучения и создавая более мощную основу как для понимания, так и для прогнозирования, используя как имитационное моделирование, так и подход статистического/МО.
В идеале мы хотели бы иметь возможность использовать модели моделирования климата и аналитику временных рядов вместе, чтобы ответить на такие практические вопросы, как: если мы увеличим количество естественно секвестрированного углерода в США в 1,5 раза в течение следующих 10 лет, как это повлияет на повлияет ли это на глобальную температуру в течение следующих 10 лет? В настоящее время мы очень далеки от того, чтобы провести такой строгий анализ, однако не ясно, будет ли это невозможно при достаточно сложном подходе. Возможно, потребуется включить в симуляции больше биологических аспектов или внести другие радикальные улучшения; мы надеемся, что сосредоточение внимания на тщательной прогностической аналитике может помочь направить исследования по эффективному пути.
Приложение
Наборы данных, которые мы использовали в описанном здесь исследовании, можно найти по адресу:
Форсинги: http://data.giss.nasa.gov модель CMIP5.
Температура: https://www.ncdc.noaa.gov/cag/
Инструменты причинно-следственной связи Грейнджера, которые мы использовали для этого исследования, можно найти на Github.
Сервис также скоро будет доступен через децентрализованную ИИ-платформу SingularityNET!
Присоединяйтесь к нам
SingularityNET планирует укреплять и расширять свое сотрудничество, чтобы сделать грядущую AI Singularity положительной для всех. Чтобы узнать больше о наших последних новостях, нажмите здесь.
И если у вас есть идея относительно инструментов или услуг ИИ, которые вы хотели бы видеть на платформе, вы можете запросить их на Портале запросов на ИИ.
