Raziskovalci z Univerze v Kielu so pokazali, da lahko tudi navidezno manj zanesljivi računalniški modeli pomembno prispevajo k napovedovanju sprememb v morskem okolju. S pomočjo strojnega učenja so uspeli združiti rezultate različnih simulacij in občutno izboljšati napovedi pomanjkanja kisika v Baltskem morju.
Študija, objavljena v reviji Scientific Reports, bi lahko vplivala na prihodnje spremljanje morskih ekosistemov in ocenjevanje posledic podnebnih sprememb.
Pomanjkanje kisika v globljih delih Baltskega morja predstavlja resno grožnjo za morsko življenje in lahko povzroči množične pogine rib. Napovedovanje takšnih dogodkov temelji na numeričnih modelih, ki poskušajo čim bolje opisati zapletene procese v oceanih.
Raziskovalna skupina je analizirala več različnih modelov za zaliv Eckernförde, pri čemer je namenoma vključila tudi različice z zelo slabimi rezultati ali celo z ekstremnimi predpostavkami. Običajno bi takšne modele izločili iz nadaljnjih analiz.
Namesto tega so vse simulacije vključili v algoritem strojnega učenja tipa »naključni gozd«, ki se je učil na podlagi dejanskih meritev koncentracije kisika. Rezultat je pokazal, da preprosto povprečenje različnih modelov ni bistveno izboljšalo napovedi, medtem ko je pristop z umetno inteligenco dosegel občutno večjo natančnost.
Prav šibkejši modeli so prispevali ključne informacije
Presenetljivo so se nekateri najmanj uspešni modeli izkazali za posebej koristne pri napovedovanju redkih ali ekstremnih razmer. Po ugotovitvah raziskovalcev so vsebovali informacije, ki jih najboljši posamezni modeli niso zajeli, umetna inteligenca pa jih je znala prepoznati in vključiti v končni izračun.
Analiza je temeljila na dolgoletnih opazovanjih v zalivu Eckernförde, kjer so med letoma 2000 in 2015 zbirali podrobne podatke o stanju morskega okolja. Ti podatki so omogočili učenje algoritma na resničnih primerih in preverjanje njegove uspešnosti.
Avtorji poudarjajo, da imajo ugotovitve širši pomen za podnebne raziskave in upravljanje morskih ekosistemov. Biogeokemični modeli se po svetu uporabljajo za ocenjevanje posledic segrevanja oceanov, pomanjkanja kisika in drugih okoljskih sprememb, zato bi lahko njihovo povezovanje z metodami umetne inteligence izboljšalo zanesljivost prihodnjih napovedi.
Po njihovem mnenju raziskovalci ne bi smeli zavračati manj uspešnih simulacij zgolj zato, ker slabše posnemajo povprečne razmere. Ravno raznoliki in tudi skrajni scenariji lahko vsebujejo pomembne informacije za razumevanje prihodnjih sprememb ter za napovedovanje dogodkov, ki jih je sicer zelo težko zaznati.
