Обработка и получение информации из данных наблюдения за Землей с использованием искусственного интеллекта (ИИ) и машинного обучения (МО) является основой Climate TRACE. Мы используем эти технологии, чтобы понять, где находятся активы и источники выбросов, когда они производят выбросы и сколько они излучают.

ИИ и машинное обучение тесно взаимосвязаны, но это не одно и то же — машинное обучение является частью более широкой области искусственного интеллекта. Так что же это такое, чем они отличаются и как Climate TRACE использует свои сильные стороны для обеспечения радикальной прозрачности глобальных выбросов парниковых газов (ПГ)?

Искусственный интеллект (ИИ) определен

ИИ — это часто злоупотребляемый и неправильно понимаемый термин. «Существа» с искусственным интеллектом впервые появились в виде футуристических персонажей, таких как Хэл 9000, в классическом научно-фантастическом произведении Стэнли Кубрика конца 1960-х годов 2001: Космическая одиссея. В современном 21 веке возможности искусственного интеллекта повсеместно присутствуют в повседневной жизни. , такие как обработка распознавания речи для Siri от Apple и Alexa от Amazon или распознавание лиц на вашем смартфоне.

По своей сути ИИ включает в себя предоставление машинам — особенно компьютерам и компьютерным программам — возможности выполнять мыслительные задачи и принимать решения, подобные человеческим, обычно связанные с человеческим интеллектом. Пожалуй, самым известным примером такого рода было когда суперкомпьютер IBM Deep Blue обыграл гроссмейстера по шахматам Гэри Каспарова в 1997 году.

Машинное обучение (ML) отличается

В отличие от ИИ, машинное обучение делает важный шаг вперед: оно позволяет компьютерным системам обучаться без явного программирования, используя алгоритмы и статистические модели для анализа и получения выводов на основе закономерностей, которые он находит в данных.

Как объясняет Джереми Фриман, инженер-программист по машинному обучению и моделированию в компании WattTime, члене коалиции: «Если бы вы хотели научить компьютер различать кошку и собаку, вместо того, чтобы я писал набор правил для описания кошки и собаки, собака и почему это кошка против собаки — что сложно сделать — теперь мы показываем этой машине много фотографий кошек и много фотографий собак. Мы позволяем машинному обучению определять, на что смотреть в изображениях, которые источают существенную «кошачий» или «собачий» характер каждого изображения».

Исходные данные: спутниковые снимки

В случае отслеживания выбросов парниковых газов мы, конечно, не ищем кошек и собак. Мы анализируем изображения наблюдения Земли и данные со спутников. Алгоритмы AI/ML компании Climate TRACE анализируют эти изображения, чтобы определить действия, вызывающие выбросы, а затем связывают эти действия с более точными оценками соответствующих выбросов.

ML использует слои нейронных сетей или слои шаблонов, которые обнаруживают на изображении простые объекты, такие как линии, точки и кривые. Затем он взвешивает все аспекты изображения, чтобы увидеть, что образует комбинация. В программе Climate TRACE мы используем нейронную сеть для поиска закономерностей на спутниковых изображениях, чтобы определить, например, что является электростанцией, а что нет?

Применение AI/ML к определенным секторам и отраслям, вызывающим выбросы

Как только наши компьютерные модели получают возможность надежно идентифицировать актив, излучающий газ, например электростанцию, мы применяем модель машинного обучения и обучаем ее дополнительному обнаружению шлейфов дыма, например, сообщать нам такие вещи, как включена ли электростанция или выключено и работает ли он на половинной мощности или на полной мощности. Как только мы поймем активность, мы сможем дополнительно обучить наши алгоритмы связывать эту активность с соответствующими связанными с ней выбросами. Мы применяем аналогичный подход в других секторах, таких как сельское хозяйство, нефть и газ, горнодобывающая промышленность и производство.

Помогаем искусственному интеллекту и машинному обучению постоянно совершенствоваться

AI и ML вместе составляют мощный дуэт, и мы постоянно работаем над тем, чтобы они делали свою работу еще лучше. Вот два примера:

  1. Какими бы хорошими ни были наши алгоритмы, они частично зависят от спутниковых снимков и других данных, которыми мы их «скармливаем». Тем не менее, время от времени могут быть ограничения с этими входами. К ним могут относиться облака или штормы, временно закрывающие конкретную эстакаду излучающего актива; частота того, как часто спутники пролетают над конкретными районами, которые мы хотим наблюдать; ограничения, создаваемые пространственным разрешением спутника; или даже что-то конкретное, например, более эффективные электростанции, у которых нет такой же «подписи» видимых охлаждающих шлейфов, как у менее эффективных загрязняющих окружающую среду установок.
  2. Мы также должны учитывать огромное разнообразие активов, найденных по всему миру. Например, электростанции и промышленные фермы в США выглядят иначе, чем в Китае, Австралии или Южной Америке. В этих случаях требуется время, чтобы научить модели использовать выводы и обобщать то, что они видели раньше, и применять этот обучающий набор к вещам, которых они раньше не видели.

На данный момент Climate TRACE продолжает расширяться со скоростью, которую позволяют технологии и требуют действия по борьбе с изменением климата. По мере того как AI, ML и спутники продолжают совершенствоваться, наша способность измерять еще более подробную информацию об источниках выбросов будет расти.

Энн-Мари Гарднер — писатель и редактор, а также член коалиции Climate TRACE.