Walory sztucznej inteligencji (AI – artificial intelligence), jako narzędzia wynoszącego na wyższy poziom jakość usług numerycznych zostały już powszechnie dostrzeżone. Zarówno ludzie zaangażowani w proces jej tworzenia, jak i szerokie masy społeczne, wyrażają głębokie zainteresowanie wdrażaniem różnych systemów AI, przy czym pojawiają się również obawy o jej wykorzystanie, niekoniecznie z korzyścią dla ludzkości. AI jest aktualnie wytworem ludzkiej inteligencji i jej zastosowanie, może być i powinno być kontrolowane. Niestety, jak i w wielu innych aspektach życia człowieka, istnieje zawsze pokusa wykorzystywania narzędzi, w zasadzie przeznaczonych do działań pozytywnych, do niecnych celów.

Pozostawiając na boku rozważania o sztucznej inteligencji w szerokich aspektach etycznych, skupmy się na jej zastosowaniach w jednym, dość wąskim, ale bardzo ważnym obszarze jakim jest meteorologia i klimatologia.

Istnieje przekonanie, że system pogodowo-klimatyczny, jest jednym z najbardziej skomplikowanych układów jakie stworzyła natura, ustępuje jedynie w skali złożoności mózgowi ludzkiemu. Im system bardziej złożony tym bardziej nieprzewidywalny, a zdarzenia i przebieg procesów sprawiają wrażenie czysto losowych, następujących pozornie bez żadnej przyczyny. Odnalezienie w takim systemie związków przyczynowo skutkowych jest niezwykle trudne. Aby poszukiwania statystycznych zależności, na których buduje się modele matematyczne zmian pogody i klimatu były dostatecznie dokładne, niezbędne jest zapewnienie pewnych standardów. Po pierwsze konieczna jest wysoka czułość przyrządów rejestrujących zmiany w atmosferze, a ta wciąż jest niewystarczająca i nie wiadomo, kiedy taka będzie. Do tego dochodzi jeszcze kolejny ważny czynnik, mianowicie gęstość sieci pomiarowej w przestrzeni wielowymiarowej. Skupiając się na tych aspektach dokonano ogromnego postępu, jednocześnie ilość danych powstała dzięki temu, sprawiła, że klasyczne oprogramowanie, nawet superkomputerów, oparło się o granicę możliwości.  Odwołanie się do narzędzi uwzględniających sztuczną inteligencję jest aktualnie nie tylko potrzebą, ale wręcz koniecznością.  Sztuczną inteligencję jako systemcharakteryzuje bowiem to, iż podejmuje działania bez stałego nadzoru człowieka. Ponadto AI uczy się i poprawia swoje działanie na podstawie danych. Im większe zbiory danych tym większa efektywność dokonywanych analiz.

Prześledźmy zatem co już w tej dziedzinie się dokonało.

1. Prognozowanie pogody

Poczynając od tego co w zasadzie najłatwiejsze, w porównaniu do innych aspektów prognozowania, czyli na prognozowaniu krótkoterminowym możemy uznać, że szczególnie przydatne są w tym względzie sieci neuronowe AI. Przykład takich zastosowań reprezentuje Google DeepMind we współpracy z brytyjskim Met Office i ich model GraphCast, który przewiduje pogodę na kilka dni do przodu szybciej i czasem dokładniej niż klasyczne symulacje fizyczne. Wiele niebezpiecznych zjawisk pogodowych daje się dużo wcześniej albo z niewielkim wyprzedzeniem czasowym przewidzieć głównie dzięki algorytmom klasyfikacji obrazów i detekcji anomalii. I tu właśnie zastosowanie jednego z przejawów sztucznej inteligencji, która osiągnęła wysoki poziom doskonałości - czyli analizy obrazów - ma głęboki sens. Dla człowieka ograniczeniem w analizie obrazów jest szybkość, dla tradycyjnych programów komputerowych absolutna wręcz niemożliwość. W tej sytuacji AI, bazująca na analizie ogromnych ilości danych satelitarnych i radarowych, dostarczonych z pewnym wyprzedzeniem, stanowi najlepszą opcję.

2. Analiza zmian klimatycznych

W każdym aspekcie analizy systemu pogodowo-klimatycznego, kluczowe znaczenie ma ilość danych.  W przypadku klimatu dotyczy to zasobów z przeszłości, danych historycznych (temperatura, opady, pokrywa lodowa, poziom mórz itp.), danych satelitarnych (np. zmiany pokrycia chmur, zmiany roślinności, danych z czujników np. oceany, atmosfera, ląd), danych z symulacji klimatycznych (tzw. modele CMIP), itp. Tylko modele AI mogą podołać zadaniu analizy tak wielkiej liczby danych i znajdowania w nich istotnych przesłanek dla zmian w przyszłości. Wyznaczając wielkoskalowe trendy klimatyczne, sztuczna inteligencja pomaga w budowie scenariuszy dotyczących emisji CO₂, topnienia lodowców, zmian opadów. Wprawdzie klasyczne modele klimatyczne robiły w zasadzie to samo, jednak w większym stopniu zawierały one elementy parametryzowane. Wkraczając nieco głębiej w to zagadnienie można wskazać pewne szczegółowe zasady działania AI w tym aspekcie. Na wstępie należy wymienić tzw. uczenie nienadzorowane (unsupervised learning), czy też algorytmy klasteryzacji lub autoenkodery), grupujące podobne wzorce w danych mających duże znaczenie przy wykrywaniu nowych predykatorów El Niño lub zmian cyrkulacji atmosferycznej. Techniki takie jak PCA (analiza głównych składowych) czy autoenkodery neuronowe pomagają uprościć bardzo złożone dane, wskazując dominujące trendy (np. globalne ocieplenie, wzrost ekstremalnych zjawisk pogodowych). Z kolei uczenie nadzorowane (supervised learning) pozwala prognozować trendy na podstawie znanych przykładów historycznych, takich parametrów jak przewidywanie szybkości topnienia lodu morskiego przy różnych poziomach emisji CO₂. Wreszcie duże znaczenie ma analiza ciągów czasowych, np. wzrostu średnich temperatur rok po roku i budowanie długoterminowych wzorców.

1. Szczegółowe zadania z zakresu meteorologii i klimatologii

W wielu przypadkach brak odpowiednich danych staje się przeszkodą w analizach pogody i klimatu. Od dawna jednak starano się tę przeszkodę usuwać stosując rekonstrukcję brakujących danych. Dotychczasowe metody były jednak mało precyzyjne. Zasada metod opartych na sztucznej inteligencji jest taka sama jaka wykorzystywana jest w prognozach pogody i klimatu. AI wnosi tu jednak przede wszystkim możliwość działania z wykorzystaniem wielkiej liczby danych pomocniczych. Tak więc sztuczna inteligencja dość skutecznie uzupełnia braki w danych pomiarowych, np. w długich seriach pomiarowych temperatury, opadów czy koncentracji gazów cieplarnianych. Dzięki szybkiemu przetwarzaniu danych AI umożliwia budowę bardziej skutecznych systemów wczesnego ostrzegania przed katastrofami naturalnymi. AI przyspiesza i optymalizuje istniejące symulacje numeryczne, zmniejszając czas potrzebny na obliczenia.

1. Przyszłościowe możliwości zastosowania AI

Przewiduje się, że dzięki AI możliwe będą ultra dokładne prognozy lokalne z rozdzielczością ulicy, podwórka czy pojedynczego budynku - ważne dla miast i ich infrastruktury, a także dla innych sfer jak na przykład dla rolnictwa precyzyjnego. Stosowane aktualnie agrometeorologiczne wsparcie rolnictwa, jako słuszna i pożyteczna idea pozwalająca na prawidłowe podejmowanie decyzji technologicznych, nie gwarantuje wymaganej precyzji. AI może to zmienić. Wprawdzie trudno będzie uniezależnić rolnictwo od ekstremalnych zjawisk pogodowych, jednakże agrotechnika w reżimie sterowanym pogodą może pozwolić na podejmowanie lepszych decyzji strategicznych lub stwarzać warunki do gromadzenia rezerw na wypadek nieurodzaju.

1. Symulacje klimatyczne nowej generacji

Meteorologia i klimatologia to działy nauki z bardzo ograniczoną możliwością eksperymentowania, poszukiwania rozwiązań na zasadzie doświadczeń terenowych. W tej sytuacji bardzo dużą rolę odgrywają modele komputerowe. Nowe możliwości, które stwarza AI pozwalają jednak realnie myśleć na temat budowania cyfrowych "bliźniaków Ziemi" (Earth Digital Twins), które w czasie rzeczywistym będą odwzorowywać procesy atmosferyczne, oceaniczne i lądowe.

6. Automatyczna analiza dużych zbiorów danych satelitarnych

Satelity generują terabajty danych dziennie. AI będzie je automatycznie przetwarzać i wykrywać zmiany takie jak nowe wyspy, pożary lasów, topnienie lodu. To wszystko potem, jak już wspomniano wcześniej, służyć będzie za bazę dla sztucznej inteligencji do „nauki” w zakresie poszukiwań przyczyn i skutków zjawisk atmosferycznych.

7. Przewidywanie nieliniowych i trudnych do modelowania procesów

Nieliniowe procesy w atmosferze to zjawiska, w których zmiany w systemie atmosferycznym nie są proporcjonalne do czynników je wywołujących. Oznacza to, że małe zaburzenia mogą prowadzić do dużych i trudnych do przewidzenia skutków, a efekty nie sumują się w prosty sposób. Nieliniowość utrudnia dokładne prognozowanie pogody, zwłaszcza na dłuższe okresy. Modele numeryczne muszą uwzględniać te zjawiska, ale ich dokładne opisanie jest bardzo skomplikowane. AI może pomóc w lepszym zrozumieniu tych zjawisk, przede wszystkim z uwzględnieniem sprzężeń zwrotnych w systemie klimatycznym (jak topnienie lodu Arktyki przyspieszające ocieplenie).

8. Inteligentne systemy zarządzania ryzykiem klimatycznym

Zjawiska pogodowe i klimatyczne stwarzają wysokie ryzyko dla wszystkich niemal przejawów działalności człowieka. Mitygowanie ryzyka wiąże się ściśle z trafnością prognoz. Nawet niewielki stopień wzrostu trafności może przynieść wymierne korzyści dla ochrony życia ludzkiego i zasobów materialnych. Przykładowo, modele numeryczne prognozują w USA możliwość przewidzenia wystąpienia tornada z wyprzedzeniem 15 minut. W tej sytuacji zwiększenie tego dystansu czasowego o każdą następną minutę, może okazać się niezwykle cenne. W aspekcie długoterminowym, AI może dostarczać rekomendacje dla władz miast i państw w zakresie zarządzania skutkami katastrof klimatycznych (np. migracje klimatyczne, ryzyko infrastrukturalne).

9. Udział w nowoczesnych systemach geo-inżynieryjnych

Dotychczasowe próby ingerencji w zjawiska pogodowe, w celach uniknięcia zagrożeń dla ludzi i środowiska, pozornie wyglądają obiecująco. Niestety negatywne skutki uboczne takiego działania często przewyższają osiągnięte korzyści. Z tego powodu geoinżynieria atmosferyczna stosowana jest z umiarem. W przyszłości AI mogłaby sterować systemami łagodzącymi zmiany klimatu. Jednym z pomysłów, w którym sztuczna inteligencja byłaby elementem nieodzownym jest przykładowo kontrolowane odbijanie promieniowania słonecznego.

10. Integracja prognozowania pogodowego z energetyką odnawialną

Ochrona klimatu i zapewnienie przez to ciągłości rozwoju cywilizacji ludzkiej jest największym wyzwaniem współczesności. Wymaga to przede wszystkim efektywnych działań całej populacji światowej.  Przy tym zarówno poszczególne jednostki, jaki poszczególne społeczności regionalne podchodzą do tego zagadnienia bardzo różnie. Obserwuję się zarówno ideologizację problemu jak i postawy negujące. Zarówno jedni i drudzy mogą jedynie przyspieszyć lub wzmóc postępujące procesy burzące względną równowagę klimatyczną. Nadmierne i nieprzemyślane działania mogą przykładowo ograniczać postępujące ocieplenie, ale jednocześnie powodować zmniejszenie  dostępu do niezbędnej energii. Może to się okazać równie szkodliwe dla ludzkości jak same zmiany klimatyczne. AI pomoże optymalizować produkcję energii ze źródeł odnawialnych w zależności od prognoz pogody w czasie rzeczywistym.

Wyzwania i ograniczenia

Procesy rozwoju cywilizacyjnego działają z dużą konsekwencją i w zasadzie bywają nieodwracalne. Jeżeli dziś pojawiła się już sensowna implementacja sztucznej inteligencji na obiektach nieożywionych to ten proces się nie zatrzyma. Sztuczna inteligencja oparta na półprzewodnikach krzemowych zapoczątkowała proces, który będzie przyspieszał zwiększając jej efektywność działania aż w końcu pojawią się komputery wyższych generacji, tzn. komputery kwantowe czy organiczne wykorzystujące neurony Aby to jednak nastąpiło niezbędne będzie rozwiązanie pewnych problemów ograniczających ten postęp (może on nawet zostać całkowicie zastopowany gdy ludzkość pogrąży się w sporach, dla których rozstrzygnięcia użyje broni masowego rażenia). Aktualnie więc istnieje potrzeba ogromnych i wysokiej jakości danych treningowych (AI jest tak dobra, jak dane, na których się uczy). Należy także eliminować takie rozwiązania, które odznaczają się brakiem transparentności stosowanych metod analizy AI (tzw. problem czarnej skrzynki w modelach głębokiego uczenia). Niezbędne będzie też ciągłe adaptowanie modeli do zachodzących zmian klimatycznych — modele uczone na danych historycznych mogą być nieadekwatne w nowych warunkach klimatycznych. Dużym wyzwaniem będą także problemy etyczne — kto będzie zarządzał predykcjami i czy będą one dostępne publicznie? Etyka odgrywa w przypadku sztucznej inteligencji bardzo ważną rolę. Sztuczna inteligencja jako inteligencja autonomiczna jest jeszcze wciąż iluzją i człowiek wciąż odgrywa nadrzędną rolę w zakresie jej tworzenia jak i zastosowania.

Generalizując można stwierdzić, iż w odniesieniu do zastosowań w meteorologii i klimatologii, w aspekcie naukowym i utylitarnym AI nie "rozumie" fizyki klimatu jak człowiek, ale potrafi znaleźć ukryte wzorce i przyspieszyć analizę danych na niespotykaną dotąd skalę.

Literatura

 
Barnes, E. A., Hurrell, J. W., Ebert-Uphoff, I., et al. (2019). Viewing Forced Climate Patterns Through an AI Lens. Geophysical Research Letters, 46(22), 13389-13398.
Chantry, M., Christensen, H., Dueben, P., & Palmer, T. (2021). Opportunities and Challenges for Machine Learning in Weather and Climate Modelling. Bulletin of the American Meteorological Society, 102(4).Haupt, S. E., Pasini, A., & Marzban, C. (Eds.) (2009). Artificial Intelligence Methods in the Environmental Sciences. Springer.
Krasnopolsky, V. M. (2013). The Application of Neural Networks in the Earth System Sciences: Neural Networks Emulations for Complex Multidimensional Mappings. Springer.
Lam R., A. Sanchez-Gonzalez, M. Willson, P. Wirnsberger, M. Fortunato, F. Alet, S. Ravuri, T. Ewalds, Z. Eaton-Rosen, W. Hu, A. Merose, S. Hoyer, G. Holland, O. Vinyals, J. Stott, A. Pritzel, S. Mohamed, P. Battaglia. GraphCast: Learning skillful medium-range global weather forecasting. https://doi.org/1048550/arXiv.2212.12794
S. Materia, L.P.García, Ch. van Straaten, S. O, A. Mamalakis, L. Cavicchia, D. Coumou, P. de Luca, M. Kretschmer, M. Donat. Artificial intelligence for climate prediction of extremes: State of the art, challenges, and future perspectives.  https://doi.org/10.1002/wcc.914Rasp, S., Pritchard, M. S., & Gentine, P. (2018). Deep learning to represent subgrid processes in climate models. PNAS, 115(39), 9684-9689.
Reichstein, M., Camps-Valls, G., Stevens, B., et al. (2019). Deep Learning and Process Understanding for Data-Driven Earth System Science. Nature.
Schultz, M. G., Betancourt, C., Gong, B., et al. (2021). Can deep learning beat numerical weather prediction? Philosophical Transactions of the Royal Society A, 379(2194).