Быстрее, быстрее, быстрее! Часы тикают.

Учитывая настоятельную необходимость достижения нулевых выбросов парниковых газов к 2050 году, специалисты по климату находятся в гонке со временем. Как неоднократно подчеркивал Генеральный секретарь ООН Антониу Гутерриш, если мы не сможем достичь этой цели, ущерб, который климатический кризис нанесет экономике, обществу и людям, будет неизмерим и будет намного больше, чем разрушения, вызванные COVID-19. . На этом фоне вмешательства в области изменения климата используют методы для более эффективной и действенной работы. Примечательно, что появляющиеся передовые инновации с использованием методов машинного обучения продолжают привлекать многоотраслевые дисциплины для использования их возможностей (Jordan & Mitchell, 2015).

Что такое машинное обучение?

Машинное обучение (ML) относится к использованию алгоритмов для обучения на основе данных без явного программирования. Эти алгоритмы в целом подразделяются на:

  1. контролируемое обучение; пользователь обучает алгоритм обучению, предоставляя примеры данных и соответствующие целевые ответы.
  2. Обучение без учителя; алгоритм учится сам на примере данных без каких-либо соответствующих ответов данных.
  3. усиленное обучение; алгоритм учится, реагируя на окружающую среду (Джудит и Кирш).

Такие алгоритмы обучения были успешно развернуты в приложениях для интеллектуального анализа текста, распознавания изображений, извлечения информации, обработки речи, квазиэкспериментальной оптимизации и многих других целей (Mohri, Rostamizadeh, & Talwalkar, 2018). Машинное обучение обогащает традиционное статистическое моделирование своей способностью моделировать сложные, крупномасштабные и принципиально неопределенные проблемы, такие как изменение климата (Rolnick, et al., 2019). Как известно, продолжающаяся четвертая промышленная революция делает доступными массивные данные цифровых технологий. Этот тип данных, обычно характеризуемый как большие данные, требует значительных вычислительных ресурсов для моделирования с использованием традиционных статистических методов из-за их объема, скорости и разнообразия (там же, 37).

Как машинное обучение может быть полезным в борьбе с изменением климата и его оценке?

В области климата Дламини (2016 г.) и Агилар-Амучастеги, Риверос и Форрест (2014 г.) использовали эти методы для оценки уязвимости, вызванной изменением климата, путем анализа схем обезлесения для информирования систем раннего предупреждения. Точно так же Jakariya и соавт. (2020) разработали инструмент для оценки уязвимости сельского хозяйства на основе машинного обучения. Кроме того, команда Международного фонда сельскохозяйственного развития использовала интеллектуальный анализ текста для извлечения информации, которая использовалась для визуализации воздействия и тенденций финансируемых ими мероприятий по изменению климата. Одна из их визуализаций включала временную диаграмму присутствия Целей в области устойчивого развития (ЦУР) во всех их портфолио документах, что позволило понять области с пробелами в доказательствах; задача, которая в противном случае была бы гораздо более трудоемкой и трудоемкой при использовании только традиционных методов. (Международный фонд сельскохозяйственного развития, 2021 г.). А когда дело доходит до точного земледелия, эти методы сыграли решающую роль в оптимизации ресурсов и, таким образом, снижении воздействия сельского хозяйства на окружающую среду, что привело к более устойчивым методам ведения сельского хозяйства (Mazzia, Comba, Khaliq, Chiaberge, & Gay, 2020).

Будучи крупнейшим климатическим фондом, Зеленый климатический фонд (ЗКФ) может, например, использовать эти методы для расширения охвата и применимости ранее существовавших наборов данных, чтобы обеспечить понимание конкретной страны там, где данные на местном уровне ограничены. Это могло бы помочь уменьшить нагрузку на страны, не располагающие данными, в демонстрации своей уязвимости к изменению климата для получения доступа к финансовым ресурсам. (Независимая оценка развития, Африканский банк развития, 2020 г.) иллюстрирует, как модель машинного обучения, основанная на данных, полученных в результате административных и геологических исследований, используется для отображения ориентированного на человека взгляда на климатическую уязвимость. Кроме того, эти модели можно использовать для моделирования и прогнозирования уровней воздействия, вызванного изменением климата, что может потенциально повлиять на процесс утверждения финансирования. Более важной является необходимость мониторинга и оценки эффективности и результативности мероприятий по изменению климата. Для ЗКФ в основе этой функции лежит его Независимая группа оценки (НОО), которая обеспечивает принятие ЗКФ обоснованных решений и стратегий на основе надежных данных.

Как IEU может использовать методы машинного обучения? Несколько идей.

IEU обладает прекрасным потенциалом для создания разведывательных данных на основе знаний, которые он собирал на протяжении многих лет. Возьмем, к примеру, виртуальные интервью, которые IEU проводил в рамках своей оценочной работы во время пандемии COVID-19: в ходе этих интервью было собрано большое количество неструктурированных данных (которые хранятся анонимно), которые могут быть использованы методами анализа текста и обработки речи. занятых для анализа. Такие методы были использованы UN Global Pulse для понимания потребностей сообществ в Уганде на основе аудиоразговоров из местных радиопередач, чтобы поддержать решения по гуманитарным усилиям.

Кроме того, использование методов обработки изображений на основе машинного обучения в сочетании с ГИС может улучшить отслеживание реализации проекта без физического посещения мест. Это возможно за счет масштабирования существующих геопространственных данных, собранных в результате дистанционного зондирования, с помощью алгоритмов обучения, которые можно обучить для автоматического обнаружения объектов на изображениях на больших территориях. Это чрезвычайно осуществимо для проектов, связанных с установками, которые можно обнаружить с помощью спутниковых камер; Со спутников легко наблюдать за такими объектами, как солнечные панели, дороги, опушки леса и ночное освещение. Их можно использовать для определения воздействия реализации проекта или для проверки степени активности проекта в целевой области. Таким образом, проекты ЗКФ, такие как FP017 Программа действий по борьбе с изменением климата и развития солнечной энергетики в регионе Парапака в Чили и FP039 Рамочная программа финансирования возобновляемых источников энергии Египта ЗКФ-ЕБРР, потенциально могут выиграть от МО в сочетании с ГИС. Это также могло бы помочь решить проблему ограниченных бюджетов на поездки в страны. Ошри и др. (2018) иллюстрируют, как аналогичный метод применяется для отслеживания реализации ЦУР в Африке с использованием качества инфраструктуры в качестве косвенного показателя.

Среди прочего, IEU оценивает ежегодные отчеты об исполнении проектов на предмет понимания, которые учитываются в его оценках. В заявленные цели включено количество секвестрированных выбросов углерода; однако эта переменная подвержена смещению, которое потенциально может быть преодолено датчиками с поддержкой ML, сообщающими непосредственно на информационные панели GCF. Эти возможности легко расширить с помощью широко используемых программных инструментов, таких как Python, R и ArcGIS. GCF недавно разработал руководство по таксономии, в котором перечислены различные внутренние термины, которые позволяют моделям интеллектуального анализа текста с поддержкой машинного обучения быстро просматривать большие объемы текстов.

Несмотря на преимущества технологий машинного обучения, мы также должны помнить о потенциальных проблемах, таких как непреднамеренное исключение и вторжение в частную жизнь, которые могут возникнуть при их использовании (Rathinam, et al., 2020). В готовящемся к публикации рабочем документе IEU «Машинное обучение и оценка климатических вмешательств: предварительное исследование» мы более подробно изучаем эту тему, рассматривая текущие приложения машинного обучения в рамках оценки воздействия на климат и обзоров фактических данных, а также изучая возможные применения в рамках GCF и IEU. Борьба с изменением климата требует совместных усилий междисциплинарных специалистов, в том числе практикующих машинное обучение, чтобы поделиться своим опытом в этой гонке со временем — гонке, которую мы не можем позволить себе проиграть.

использованная литература

Агилар-Амучастеги, Н., Риверос, Дж. К., и Форрест, Дж. Л. (2014). Выявление областей риска обезлесения для REDD+ с использованием инструмента моделирования видов. Углеродный баланс и управление, 1–10.

Капелли, К. (2021, январь). Обнаружение незарегистрированных кустовых площадок с помощью глубокого обучения. Получено с ArcGIS: https://www.esri.com/arcgis-blog/products/api-python/imagery/detect-unre...

Дламини, WM (2016). Анализ закономерностей и факторов обезлесения в Свазиленде с использованием эффективных байесовских многомерных классификаторов. Моделирование земных систем и окружающей среды, 1–14.

Независимая оценка развития, Африканский банк развития. (2020). Журнал Оценка имеет значение. Получено с https://idev.afdb.org/: https://idev.afdb.org/sites/default/files/documents/files/eVALUation%20M...

Международный фонд сельскохозяйственного развития. (2021, 11 января). Инновационная задача: использование искусственного интеллекта и больших данных для IFAD 2.0. Получено из Международного фонда сельскохозяйственного развития (IFAD): https://www.ifad.org/innovation-challenge/page6.html#content5-4g

Джакария М., Алам М.С., Рахман М.А., Ахмед С., Элахи М.Л., Хан А.М., . . . другие. (2020). Оценка сельскохозяйственных уязвимых прибрежных сообществ Бангладеш, вызванных изменением климата, с использованием методов машинного обучения. Наука об окружающей среде в целом, 140–255.

Джордан, М.И., и Митчелл, Т.М. (2015). Машинное обучение: тренды, перспективы и перспективы. Наука, 255.

Джудит, Х., и Кирш, Д. (nd). Машинное обучение для чайников. ИБМ.

Маззия, В., Комба, Л., Халик, А., Чиаберге, М., и Гей, П. (2020). Уточнение спутникового индекса растительности для точного земледелия на основе БПЛА и машинного обучения. Датчики, 2530.

Мори, М., Ростамизаде, А., и Талвалкар, А. (2018). Основы машинного обучения. Пресс МТИ.

Ошри, Б. А., Дюпас, П., Вайнштейн, Дж., Берк, М., Лобелл, Д., и Эрмон, С. (2018). Оценка качества инфраструктуры в Африке с использованием спутниковых снимков и глубокого обучения. 24-я Международная конференция ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных (стр. 616–625).

Ратинам, Ф., Хатуа, С., Сиддики, З., Малик, М., Дуггал, П., Уотсон, С., и Волленвейдер, X. (2020). Использование больших данных для оценки результатов развития: систематическая карта. Получено из Оксфорда: Центр передового опыта по влиянию на развитие и обучению (CEDIL): https://cedilprogramme.org/publications/cedil-methods-working-papers/

Рольник Д., Донти П.Л., Каак Л.Х., Кочански К., Лакост А., Санкаран К., . . . другие. (2019). Борьба с изменением климата с помощью машинного обучения. Препринт arXiv arXiv: 1906.05433, 55.

Первоначально опубликовано на https://ieu.greenclimate.fund 16 февраля 2021 г.