Bagaimana pembelajaran mesin membantu kita menyempurnakan model iklim hingga mencapai detail yang belum pernah ada sebelumnya

Model iklim yang terperinci memerlukan daya komputasi dalam jumlah besar. Pembelajaran mesin membantu meningkatkan model ini sekaligus mengurangi persyaratan komputasi

Seperti yang diterbitkan olehPercakapan

Dari saran film hingga kendaraan tanpa pengemudi, pembelajaran mesin telah merevolusi kehidupan modern. Para ahli kini menggunakannya untuk membantu memecahkan salah satu masalah terbesar umat manusia: perubahan iklim.

Dengan pembelajaran mesin, kita dapat menggunakan data historis dan observasi iklim yang melimpah untuk meningkatkan prediksi iklim bumi di masa depan. Dan prediksi ini akan berperan besar dalam mengurangi dampak iklim di tahun-tahun mendatang.

Pembelajaran mesin adalah salah satu cabang kecerdasan buatan. Meskipun telah menjadi semacam kata kunci, pada dasarnya ini adalah proses mengekstraksi pola dari data.

Algoritme pembelajaran mesin menggunakan kumpulan data yang tersedia untuk mengembangkan model. Model ini kemudian dapat membuat prediksi berdasarkan data baru yang bukan merupakan bagian dari kumpulan data asli.

Kembali ke masalah iklim, ada dua pendekatan utama yang dapat digunakan pembelajaran mesin untuk membantu kita meningkatkan pemahaman kita tentang iklim: observasi dan pemodelan.

Dalam beberapa tahun terakhir, jumlah data yang tersedia dari observasi dan model iklim telah berkembang secara eksponensial. Mustahil bagi manusia untuk melalui semua ini. Untungnya, mesin dapat melakukan hal ini untuk kita.

Satelit terus-menerus memantau permukaan laut, memberikan para ilmuwan wawasan yang berguna tentang bagaimana arus laut berubah.

Misi satelit Surface Water and Ocean Topography (SWOT) NASA – yang dijadwalkan diluncurkan akhir tahun depan – bertujuan untuk mengamati permukaan laut dengan detail yang belum pernah terjadi sebelumnya dibandingkan dengan satelit saat ini.

Namun satelit tidak bisa mengamati seluruh lautan sekaligus. Ia hanya dapat melihat sebagian laut di bawahnya. Dan satelit SWOT memerlukan waktu 21 hari untuk menjangkau setiap titik di seluruh dunia.

Diagram ini menunjukkan area yang dicakup oleh satelit SWOT setelah tiga hari mengorbit. Meskipun SWOT memungkinkan pengukuran dengan akurasi tinggi, wilayah sekitar lautan tidak terlalu sering diambil sampelnya. C.Ubelmann/CLS

Adakah cara untuk mengisi data yang hilang sehingga kita dapat memperoleh gambaran global lengkap tentang permukaan laut pada saat tertentu?

Di sinilah pembelajaran mesin berperan. Algoritme pembelajaran mesin dapat menggunakan data yang terdeteksi oleh satelit SWOT untuk memprediksi data yang hilang di setiap revolusi SWOT.

Kesan seorang seniman terhadap satelit SWOT. NASA/CERN, CC OLEH

Pengamatan memberi tahu kita tentang masa kini. Namun, untuk memprediksi iklim di masa depan kita harus mengandalkan model iklim yang komprehensif.

Laporan iklim IPCC terbaru didasarkan pada proyeksi iklim dari berbagai kelompok penelitian di seluruh dunia. Para peneliti ini menjalankan banyak model iklim yang mewakili berbagai skenario emisi yang menghasilkan proyeksi ratusan tahun ke depan.

Untuk memodelkan iklim, komputer melapisi jaringan komputasi di lautan, atmosfer, dan daratan. Kemudian, dimulai dengan iklim saat ini, mereka dapat menyelesaikan persamaan pergerakan fluida dan panas dalam setiap kotak jaringan tersebut untuk memodelkan bagaimana iklim akan berkembang di masa depan.

Ukuran setiap kotak dalam grid inilah yang kita sebut “resolusi” model. Semakin kecil ukuran kotaknya, semakin halus detail aliran yang dapat ditangkap oleh model.

Namun menjalankan model iklim yang diproyeksikan ratusan tahun ke depan akan membuat superkomputer paling kuat pun bertekuk lutut. Jadi saat ini kami terpaksa menjalankan model ini pada resolusi yang kasar. Faktanya, terkadang alurnya sangat kasar sehingga alurnya tidak seperti kehidupan nyata.

Misalnya, model lautan yang digunakan untuk proyeksi iklim biasanya terlihat seperti gambar di kiri bawah. Namun kenyataannya, arus laut lebih mirip gambar di sebelah kanan.

Di sini Anda dapat melihat arus permukaan laut yang dimodelkan pada dua resolusi berbeda. Di sebelah kiri adalah model yang mirip dengan model yang biasa digunakan untuk proyeksi iklim. Model di sebelah kanan jauh lebih akurat dan realistis, namun sayangnya terlalu terbatas secara komputasi untuk digunakan dalam proyeksi iklim. COSIMA, Penulis disediakan

Sayangnya, saat ini kita kekurangan daya komputasi yang diperlukan untuk menjalankan model iklim beresolusi tinggi dan realistis untuk proyeksi iklim.

Para ilmuwan iklim mencoba menemukan cara untuk menggabungkan efek gerakan turbulen skala kecil pada gambar kanan atas ke dalam model iklim resolusi kasar di sebelah kiri.

Jika kita bisa melakukan hal ini, kita bisa menghasilkan proyeksi iklim yang lebih akurat, namun tetap layak secara komputasi. Inilah yang kami sebut sebagai “parameterisasi”—cawan suci pemodelan iklim.

Hal ini menjadi sederhana ketika kita dapat mencapai model yang tidak harus mencakup semua fitur aliran kompleks berskala kecil (yang memerlukan kekuatan pemrosesan dalam jumlah besar) – namun masih dapat mengintegrasikan pengaruhnya ke dalam model keseluruhan dengan cara yang lebih sederhana dan lebih murah.

Beberapa parameterisasi sudah ada dalam model resolusi kasar, namun seringkali tidak berfungsi dengan baik dalam mengintegrasikan fitur aliran skala kecil secara efektif.

Algoritme pembelajaran mesin dapat menggunakan keluaran dari model iklim resolusi tinggi yang realistis (seperti gambar di kanan atas) untuk mengembangkan parameter yang jauh lebih akurat.

Seiring dengan meningkatnya kapasitas komputasi kita – bersama dengan data iklim – kita akan dapat menggunakan algoritma pembelajaran mesin yang semakin canggih untuk menyaring informasi ini dan menghasilkan model dan proyeksi iklim yang lebih baik. – Rappler.com

Artikel ini awalnya muncul di Percakapan.

Navid Konstantinou adalah Rekan Peneliti ARC DECRA, Universitas Nasional Australia. Ia menerima dana dari Dewan Riset Australia.

Data Sydney