人工智能如何帮助环境科学家解开自然界的奥秘

机器学习是人工智能的一种特殊形式。通过旨在从经验中学习的算法，机器学习(也称为ML)会随着更多数据的添加而适应并提高效率。ML驱动的程序从错误中“学习”，这样做可以将分析大量数据所需的时间从几年减少到几分钟。

最近聘请的两名南加州大学教职员工梅丽莎·古兹曼(Melissa Guzman)和山姆·席尔瓦(Sam Silva)已经因使用机器学习来寻找对看似不可知的事物(自然界背后的模式)的见解而受到关注。Guzman正在寻找蜜蜂迁徙模式的趋势，在我们最重要的传粉媒介中，以及它们的社区构成。席尔瓦正在研究云的化学成分。最近被南加州大学箭牌环境研究所(USC Wrigley Institute for Environmental Studies)的教师创新奖(Faculty Innovation Award)授予者，两人都在利用自己的专业知识来开发应对环境挑战的解决方案。

“Guzman博士和Silva博士正在使用令人兴奋的新计算工具来解决复杂的环境问题，”箭牌研究所研究和参与副主任Jessica Dutton说。“他们的计划不仅准备产生关于气候和生物多样性的新科学知识，而且还为决策者提供了关于变化世界中趋势和可能解决方案的新见解。

气候变化破坏了蜜蜂的迁徙模式和社区形成：人工智能和科学如何帮助

加利福尼亚州是北美最多样化和最大的蜜蜂种群的家园。在发现的4，000种蜜蜂中，有1，600种可以在该州找到。它们也是自然界最活跃的传粉媒介之一 - 从后院花园到主要农业经营的一切都取决于它们在生态系统中的作用。

然而，随着它们的数量在过去十年中有所下降，识别和保护安全和可持续的蜜蜂保护区变得越来越重要。但是，您如何找到它们最有可能蓬勃发展的地方呢?这是一个比你想象的更大的挑战，根据南加州大学Dornsife文学，艺术和科学学院生物科学助理教授Guzman的说法。

“弄清楚昆虫发生了什么的最困难的事情之一是，我们在几个地方拥有非常好的几个物种的数据，”古兹曼说。“研究人员将前往同一个地方并计算不同昆虫的总数，这可以让您了解种群如何随时间波动。但这些数据非常罕见。我试图用我的研究来填补空白， 通过空间科学的方法。

利用博物馆记录、社区科学应用程序和多样性调查数据，Guzman确定了分布模式和社区构成的趋势。她说，即使有这些资源，数据也不是很好—— 通常它有偏见，而且地理上很集中。这导致数据聚类在城市周围和靠近道路，但不在更偏远的位置。

进入机器学习。Guzman利用这些工具来加快数据清理过程。数据库经常可能包含错误或不完整的信息，不正确的物种名称，日期和位置会破坏研究。通过引入专家来分析和纠正数据，研究人员可以将这些知识应用于数据集，并允许机器学习工具隔离和纠正不正确的数据点。

“大黄蜂是一种非常不同类型的蜜蜂 - 它们很大，挑剔，毛茸茸的，并且通常喜欢更温带的地区。我们发现的一件事是，上个世纪的温度变化似乎解释了为什么一些物种正在下降，“古兹曼说。“我们希望利用生活史特征来了解哪些物种从气候变化等因素中受益最多，哪些物种受到的阻碍最大。我们在大黄蜂的案例中发现的一件事是，并不是每个物种都在下降。

人工智能与科学：先进的计算为更准确、更快速的气候模型铺平道路

洛杉矶的空气是传奇的，如果出于所有错误的原因。对于南加州大学Dornsiefe学院地球科学助理教授席尔瓦来说，这非常适合他的研究：大气化学成分的分析。

“云和地球大气层的化学成分在空气质量和气候变化的几乎每个方面都很重要，”席尔瓦说，他也是南加州大学维特比工程学院土木与环境工程系的成员。“在空气质量方面，我们正在研究空气中对我们呼吸有害的化合物。与此同时，气候变化的部分原因是进入系统的化合物数量与离开的化合物数量之间的不平衡 - 导致变暖。

“由于很多原因，我们对所有这些过程的理解都不完美：要么我们没有足够的数据，我们只是不知道，要么我们可能有一个好主意，但是当我们将其输入计算机模型时，运行代码需要永远。我们利用机器学习来帮助我们筛选我们拥有的数据 - 有时是大量部分相关的数据 - 并弄清楚发生了什么。

席尔瓦将云描述为“我们理解物理气候的一些最大的不确定性”，因为它们是物理学(风速和风向)和化学(各种分子在大气中混合)的复杂混合。了解它们的行为很重要，因为它们在将阳光反射回太空和全球水文循环方面发挥作用。正确测量它们的位置，亮度和持续时间对于正确理解和预测它们的行为至关重要。

席尔瓦说，目前的气候模型可以为云的形成提供非常详细的解释，但实际的模拟“需要数年才能完成”。这部分是由于参数化，科学家用它来数学地近似这些现象的影响。然而，参数化在效率方面夸耀，它缺乏准确性。席尔瓦说，利用机器学习将在不牺牲准确性的情况下保持参数化提供的速度。

“我们认为参数化的局限性可能是云和气候模型如此不确定的原因之一，”他补充说。“我们将在这个项目中做的是使用机器学习技术来加速这个非常缓慢的过程，从模型中为我们提供极高的准确性，而无需相关的计算成本。我们希望能够更好，更快地做出气候预测，同时识别有趣的数据，以潜在地激励未来的研究。

不幸的是，他在洛杉矶学到的东西将具有更大的相关性，因为其他城市的条件开始模仿南加州的条件。

“洛杉矶在许多方面与其他城市相似。大多数城市人口众多，汽车很多，而且它们不是超级适合步行，“他说。“我们在洛杉矶学到的化学反应可以转移到许多其他地方。这里发生的事情与人类健康和空气质量有关。