مرکز ملی تحقیقات جوی (NCAR) از هوش مصنوعی برای بهبود مدل های سنتی سیستم زمین با هدف پیشبرد تحقیقات آب و هوایی برای آگاهی بهتر تصمیم گیرندگان با اطلاعات کاربردی تر استفاده می کند.

اهداف LEAP از برنامه راهبردی NCAR پشتیبانی می کند که بر اهمیت علم سیستم زمین قابل اجرا تاکید می کند.

دیوید لارنس ،که رهبر NCAR در این زمینه است ، می گوید: "LEAP یک فرصت فوق العاده برای یک تیم چندرشته ای است تا پتانسیل استفاده از یادگیری ماشین را برای بهبود مدلهای پیچیده سیستم زمین برای منافع بلند مدت جامعه کشف کند."

CESM مجموعه فوق العاده پیچیده ای از مدل های مولفه ای است که وقتی به هم متصل می شوند می توانند اتمسفر ، اقیانوس ، خشکی ، یخ دریا و صفحات یخی را که بر یکدیگر تأثیر می گذارند و بر یکدیگر تأثیر می گذارند شبیه سازی کنند ، که برای پیش بینی دقیق نحوه تغییر آب و هوا در آینده بسیار مهم است. نتیجه مدلی است که نمایشی جامع و با کیفیت از سیستم زمین تولید می کند. با وجود این ، CESM هنوز در ارائه برخی از فرایندهای فیزیکی پیچیده در سیستم زمین که شبیه سازی آنها دشوار است ، محدود است.

برخی از این فرایندها ، مانند شکل گیری و تکامل ابرها ، در مقیاس بسیار خوبی اتفاق می افتد که مدل نمی تواند آنها را حل کند. سایر فرایندها ، از جمله محیط زیست زمین ، آنقدر پیچیده است که دانشمندان برای شناسایی معادلاتی که دقیقاً آنچه را به تصویر می کشد ، تلاش می کنند.

در هر دو مورد ، دانشمندان زیرمجموعه های ساده ای ایجاد کرده اند تا این فرایندهای فیزیکی را در مدل تقریبی کنند. هدف اصلی LEAP بهبود این پارامترها با کمک یادگیری ماشین است ، که می تواند از ثروت باورنکردنی مشاهدات سیستم زمین و داده های مدل با وضوح بالا که در دسترس قرار گرفته است ، استفاده کند.

با آموزش مدل یادگیری ماشین بر روی این مجموعه داده ها و سپس همکاری با مدلسازان سیستم Earth برای استفاده از این اجزای فرعی در CESM ، محققان انتظار دارند دقت و جزئیات شبیه سازی های حاصله را بهبود بخشند.

204000620.259