Eine neue Technik nutzt modernste KI-Fähigkeiten, um die natürliche Umgebung zu modellieren und zu kartieren

Ein Expertenteam, darunter Charlie Kirkwood von der University of Exeter, hat einen ausgeklügelten neuen Ansatz entwickelt, um die natürlichen Merkmale der Erde detaillierter und genauer zu modellieren.

Die neue Technik kann komplexe Merkmale und Aspekte des Geländes erkennen, die weit über die Möglichkeiten herkömmlicher Methoden hinausgehen, und diese verwenden, um Umgebungskarten in verbesserter Qualität zu erstellen.

Entscheidend ist, dass das neue System auch den Weg zu neuen Entdeckungen der Beziehungen innerhalb der natürlichen Umwelt ebnen könnte, die dazu beitragen könnten, einige der größeren Klima- und Umweltprobleme des 21. Jahrhunderts anzugehen.

Die Studie wird in der Zeitschrift veröffentlicht Mathematische Geowissenschaftenals Teil einer Sonderausgabe zu Geostatistik und maschinellem Lernen.

Das Modellieren und Abbilden der Umgebung ist ein langwieriger, zeitaufwändiger und teurer Prozess. Die Kosten begrenzen die Anzahl der erzielbaren Beobachtungen, was bedeutet, dass die Erstellung umfassender räumlich kontinuierlicher Karten vom Füllen der Lücken zwischen diesen Beobachtungen abhängt.

Wissenschaftler können eine Reihe von Informationsquellen nutzen, um diese Beobachtungslücken zu schließen, wie z. B. Geländehöhendaten und Satellitenbilder. Herkömmliche Modellierungsmethoden verlassen sich jedoch darauf, dass Benutzer Vorhersagemerkmale aus diesen Datensätzen manuell erstellen – zum Beispiel das Generieren von Neigungswinkeln und Krümmungen aus Geländehöhendaten in der Hoffnung, dass diese dazu beitragen können, die räumliche Verteilung der kartierten Variablen zu erklären.

Wissenschaftler glauben jedoch, dass es wahrscheinlich viel mehr nuancierte Beziehungen innerhalb der natürlichen Umgebung gibt, die Modelle, die auf traditionellen manuellen Feature-Engineering-Ansätzen basieren, möglicherweise einfach übersehen.

Der bahnbrechende neue KI-Ansatz, der in der Studie entwickelt wurde, stellt die Extraktion von Umweltinformationen als Optimierungsproblem dar. Auf diese Weise kann es automatisch Beziehungen erkennen und nutzen, die andernfalls von Menschen mit traditionelleren Modellierungsmethoden unbemerkt und ungenutzt bleiben könnten.

Neben der Verbesserung der Kartenqualität erschließt dieser Ansatz auch das Potenzial für die Entdeckung neuer Zusammenhänge in der natürlichen Umgebung durch KI, während gleichzeitig große Mengen an Trial-and-Error-Experimenten im Modellierungsprozess eliminiert werden.

Charlie Kirkwood, ein Postgraduierter an der University of Exeter, sagte: „Um für die Entscheidungsfindung nützlich zu sein, müssen unsere Modelle so spezifische Antworten wie möglich liefern und gleichzeitig vertrauenswürdig sein – und das bedeutet, genaue Messungen der damit verbundenen Unsicherheit zu erstellen unsere Schätzungen, die in diesem Fall Vorhersagen an nicht gemessenen Orten sind.“

„Unser KI-Ansatz ist in einen Bayesschen statistischen Rahmen eingebettet, der es uns ermöglicht, diese Unsicherheiten zu quantifizieren und eine Reihe von Unsicherheitsmaßen bereitzustellen, darunter glaubwürdige Intervalle, Überschreitungswahrscheinlichkeiten und andere maßgeschneiderte Produkte, die direkt in Entscheidungsprozesse einfließen. Entscheidend ist, dass alle Dies wird bereitgestellt, während alle verfügbaren Informationen effektiver genutzt werden, als herkömmliche Ansätze dies zulassen – was Sie im Detail der Karte erkennen können.“

Der neue Ansatz wurde anhand von Beobachtungen der Calciumkonzentration in Flusssedimenten aus dem Projekt Geochemical Baseline Survey of the Environment (G-BASE) des British Geological Survey demonstriert.

Die Verteilung von Calcium in der Umwelt, die für die Bodenfruchtbarkeit von alleiniger Bedeutung ist, wird in erster Linie durch die Geologie – unterschiedliche Gesteinsarten mit unterschiedlichem Calciumanteil – aber auch durch hydrologische Prozesse an der Oberfläche gesteuert.

Calcium stellt daher einen herausfordernden Anwendungsfall für den KI-Ansatz dar, der lernen muss, Merkmale zu erkennen und zu nutzen, die sich sowohl auf die Geologie des Grundgesteins (z. B. unterschiedliche Geländetexturen, Hangbrüche) als auch auf die Hydrologie der Oberfläche (z. B. Entwässerung, Flusskanäle) beziehen.

Die Methode, sagen die Wissenschaftler, hat eine spektakulär detaillierte und genaue Karte erstellt, die, obwohl sie nur ein Element – ​​Kalzium – darstellt, die Geologie Großbritanniens dank der Informationsextraktionsleistung des neuen KI-Ansatzes in einer wohl neuen Detailebene enthüllt. Das Team ist der Ansicht, dass diese Arbeit durch die Kombination der Forschungsfähigkeiten, des Fachwissens und der Datenressourcen seiner Partner – der University of Exeter, Met Office und British Geological Survey – einen neuen Beginn für Umweltkartierungspraktiken im Zeitalter der KI darstellt.

Professor Gavin Shaddick von der University of Exeter fügte hinzu: „Dies ist ein fantastisches Beispiel für Umweltintelligenz, den Einsatz von KI zur Lösung von Herausforderungen in der Umweltwissenschaft. Diese Arbeit ist ein Beispiel für die Integration von technischem Wissen über KI und maschinelles Lernen mit Fachwissen in den Geowissenschaften um eine neue Methodik zu entwickeln, die entscheidende Fragen bei der Kartierung von Umweltinformationen direkt anspricht.Die daraus resultierenden methodischen Fortschritte könnten zur Erstellung detaillierter Karten einer Vielzahl von Umweltgefahren verwendet werden und haben das Potenzial, eine reichhaltige Informationsquelle sowohl für Wissenschaftler als auch für Entscheidungsträger bereitzustellen. “

Garry Baker, Interim Chief Digital Officer, British Geological Survey, fügte hinzu: „Dieses Papier ist eine hervorragende Demonstration dafür, wie Umweltinformationen wie die geochemische BGS-Datenbank durch neue Ansätze (AI-Rauminterpolation) neu bewertet werden können. Es veranschaulicht die Vorteile einer kontinuierlichen Umweltforschung und wie diese auf die umfangreichen Datensätze zurückgreifen kann, die für jedermann über das National Geoscience Data Centre und breitere NERC- und UKRI-Datenspeicher verfügbar sind.“

Dr. Kirstine Dale, Principal Fellow for Data Science des Met Office und Co-Direktorin des Joint Centre for Excellence in Environmental Intelligence, kommentierte den Wert dieser Arbeit: „Dies ist ein wichtiges Beispiel dafür, wie die Datenwissenschaft das Potenzial hat, unser Verständnis zu verändern der Natur. Kritisch hebt es hervor, was erreicht werden kann, wenn man interdisziplinär arbeitet, in diesem Fall bereichert die Zusammenführung von Mathematikern, Wetterspezialisten und Informatikern unser Wissen über die Natur in einer Weise, wie es keine einzelne Disziplin kann.“