Новое гибридное машинное обучение прогнозирует реакцию озерных экосистем на изменение климата

 

На протяжении середины 20-го века поступление фосфора из моющих средств и удобрений ухудшало качество воды в Швейцарском Женевском озере, что побудило чиновников принять меры по устранению загрязнения в 1970-х годах.

 

"Очевидным решением было обратить вспять поступление фосфора, и эта простая идея чрезвычайно помогла, но она не вернула озеру его прежнее состояние, и в этом проблема", - сказал Джордж Сугихара, биологический океанограф из Института океанографии Скриппса Калифорнийского университета в Сан-Диего.

Сугихара, Итан Дейл из Бостонского университета и трое международных коллег потратили пять лет на поиски лучшего способа прогнозирования и управления экологической реакцией Женевского озера на угрозу загрязнения фосфором, к которой теперь необходимо добавить последствия изменения климата. Команда, в которую входит Дэмиен Буффард из Швейцарского федерального института водных наук и технологий, опубликовала свой новый подход к гибридному эмпирическому динамическому моделированию (EDM) 20 июня в журнале Proceedings of the National Academy of Sciences.

"Природа гораздо более взаимосвязана и взаимозависима, чем часто хотелось бы думать ученым", - сказал Сугихара, профессор кафедры естественных наук университета Маккуона в Скриппсе. EDM может помочь в этом контексте как форма контролируемого машинного обучения, способ для компьютеров изучать шаблоны и обучать исследователей механизмам, лежащим в основе данных.

"Ты нажимаешь на один рычаг, и все остальное меняется, в стиле "ударь крота". Однофакторные эксперименты, отличительная черта науки 20-го века, где все остается неизменным, в принципе могут многому научить вас, но мир устроен не так", - сказал он.

"Если бы это было не так, если бы природа вела себя больше как в однофакторных экспериментах и была менее взаимосвязанной и взаимозависимой, мы могли бы предсказывать результаты с помощью простых моделей, в которых отношения не меняются".

Взаимозависимость и меняющиеся отношения - это реальность экосистем, а также реальность финансовых рынков, где прогнозирование так сложно, отметил Сугихара. EDM оттачивался в горниле финансового прогнозирования с середины 1990-х по начало 2000-х годов, когда Сугихара был управляющим директором Deutsche Bank.

В течение последних 20 лет Сугихара использовал свой финансовый опыт для разработки рыночных инструментов для поддержки устойчивого морского рыболовства в Scripps. Он называет EDM "математикой без уравнений".

Но EDM - это не метод черного ящика, сказал Дейл, имея в виду количественные методы, основанные на таинственных математических или вычислительных формулах. По его словам, это критика, которую часто высказывают в отношении машинного обучения.

"Скорее, он использует данные, чтобы сообщить вам самым прямым способом, с минимальными предположениями, что происходит. Каковы важные переменные? Как меняются отношения с течением времени? У него есть механизм и прозрачность, которые исходят непосредственно из данных ".

То, что попыталась сделать команда Сугихары, отличается от традиционных методов моделирования, используемых в последние десятилетия. Как отмечает Дейл, части устоявшихся моделей представлены константами.

"Фиксированная и постоянная сила тяжести, или форма и глубина озера, например. Следовательно, физические процессы в озере можно очень хорошо смоделировать с помощью простых уравнений", - сказал он.

Не так обстоит дело с меняющейся экологией и биохимией.

"Организмы, вызывающие изменения в экосистеме, подобной экосистеме Женевского озера, изменились за последние два десятилетия. Пищевая сеть изменилась и постоянно меняется вместе с биохимией озера", - сказал Буффар.

"Стандартные инструменты плохо подходят для решения таких проблем", - сказал Дейл, который получил степень доктора философии в области биологической океанографии в Scripps Oceanography вместе с советником Сугихарой в 2015 году.

"Женевское озеро - одна из самых хорошо изученных систем в мире. Это не совпадение, что это была возможность расширить рамки с помощью подхода машинного обучения к экологическому прогнозированию", - сказал Дейл.

Авторы демонстрируют, что их гибридный подход не только приводит к существенно лучшему прогнозированию, но и к более действенному описанию процессов (таких как биогеохимические и экологические), которые определяют качество воды.

Примечательно, что гибридная модель предполагает, что воздействие на качество воды повышения температуры воздуха на 3 градуса Цельсия (5,4 градуса по Фаренгейту) будет того же порядка, что и загрязнение фосфором в предыдущем столетии, и что наилучшие методы управления могут больше не включать в себя один рычаг управления, такой как сокращение потребления фосфора в одиночку.

"Одним из интеллектуальных краеугольных камней всего этого является минимализм", - сказал Сугихара. "Извлечение информации из данных с наименьшим количеством допущений".

Простая модель, которая предсказывает целевые данные, которые еще предстоит собрать, более убедительна, чем сложная модель, которая может соответствовать текущему мышлению и может быть сделана так, чтобы она замечательно "вписывалась" в историю, но на самом деле не "предсказывает" события, которые еще предстоит увидеть. Это было главной проблемой в финансовых приложениях, где легко найти то, что "подходит", но почти невозможно найти что-то, что действительно "предсказывает".

"Чем сложнее что-то, тем легче обмануть себя", - сказал он. "Наш гибридный подход, похоже, имеет баланс, который работает".

Соавторами исследования являются Виктор Фроссар, Университет Савойи Монблан; Роберт Швефель и Джон Мелак, Калифорнийский университет в Санта-Барбаре.

ИСТОЧНИК

Категория: Наука и Техника | Добавил: fantast (21.06.2022)
Просмотров: 19 | Рейтинг: 0.0/0