Большие данные и интеллектуальный анализ данных обеспечили ряд прорывов в таких областях, как информатика в области здравоохранения, умные города и маркетинг. Тем не менее, одни и те же методы не дали последовательных ключевых результатов для изменения климата.
Причины по которым предыдущие работы делали ошибки в климатологии
Есть несколько причин. Основной из них заключается в том, что предыдущие работы по разработке данных в области климатологии и, в частности, при анализе климатических сетей связи, опирались на методы, которые предлагают довольно упрощенные ответы «да или нет».
«Это не так просто в климате», - сказала Анналиса Бракко, профессор в школе технологий Земли и атмосферных наук Джорджии Техник. «Даже слабые связи между очень разными регионами земного шара могут быть результатом лежащего в основе физического явления. Наложение пороговых значений и сброс слабых соединений остановили бы все. Вместо этого эксперт климатического учёта является ключевым шагом в поиске общности в очень разных наборах данных или полях чтобы исследовать, насколько они надежны ».
И с миллионами точек данных, распространенных по всему миру, Bracco заявила, что нынешние модели слишком много полагаются на человеческий опыт, чтобы понять выход. Она и ее коллеги хотели разработать методологию, которая в большей степени зависит от фактических данных, а не от интерпретации исследователя.
Именно поэтому команда Georgia Tech разработала новый способ добычи данных из наборов данных о климате, которые являются более автономными, чем традиционные инструменты. Методология выявляет общности наборов данных без какого-либо опыта от пользователя, позволяя ученым доверять данным и получать более надежные и прозрачные результаты.
Метод с открытым исходным кодом
Методология является открытым исходным кодом и в настоящее время доступна для ученых во всем мире. Исследователи Georgia Tech уже используют его для изучения температуры поверхности моря и данных облачного поля, двух аспектов, которые глубоко влияют на климат планеты.
«Есть так много факторов - облачные данные, аэрозоли и ветровые поля, например, - которые взаимодействуют для создания климата и приводят к изменению климата», - сказал Атанасиос Ненес, еще один профессор по климату колледжа наук по проекту. «В зависимости от того аспекта модели, на который вы фокусируетесь, они могут эффективно воспроизводить климатические характеристики - или совсем нет. Иногда очень сложно определить, действительно ли одна модель лучше другой, или если она предсказывает климат по правильным причинам».
Нене говорит, что методология Georgia Tech рассматривает все более надежным образом, нарушая узкое место, которое характерно для других моделей оценки и анализа алгоритмов. По его словам, методология может использоваться для наблюдений, и ученым не нужно ничего знать о компьютерном коде и моделях.
«Методология уменьшает сложность миллионов точек данных до простых предметов - иногда до 10 регионов, которые взаимодействуют друг с другом, - сказал Ненеш. «Нам нужны инструменты, которые уменьшают сложность вывода модели, чтобы лучше понять их и оценить, дают ли они правильные результаты по правильным причинам».
Чтобы разработать методологию, ученые-климатологи вступили в партнерство с Константином Довролисом и другими учеными-учеными в Технологическом колледже Джорджии. Довролис сказал, что увлекательно применять алгоритмическое и вычислительное мышление в проблемах, которые затрагивают всех по-крупному, например, глобальное потепление ».
Вывод
«Климатическая наука - это сложная« тяжелая »дисциплина со многими интеллектуально интересными вопросами, которые могут извлечь выгоду из вычислительного моделирования и прогнозирования», - сказал Довролис, профессор в школе компьютерных наук, «Сначала кросс-дисциплинарное сотрудничество бросает вызов - каждый дисциплина имеет свой язык, предпочтительный подход и исследовательскую культуру, но в конечном итоге они могут быть весьма полезными ».