Une nouvelle technique exploite des capacités d’IA de pointe pour modéliser et cartographier l’environnement naturel

Une nouvelle technique exploite des capacités d'IA de pointe pour modéliser et cartographier l'environnement naturelGéosciences mathématiques (2022). DOI : 10.1007/s11004-021-09988-0″ width=”800″ height=”462″/>

Vue d’ensemble de notre architecture de réseau neuronal profond visualisée à l’aide du logiciel NN-SVG (LeNail 2019). Pour chaque observation, l’entrée A alimente une image du terrain environnant dans une pile de couches convolutionnelles (représentées sous forme de blocs horizontaux). Simultanément, l’entrée B alimente les variables de localisation de l’observation dans une couche entièrement connectée. Ces deux branches du réseau sont ensuite concaténées et alimentées par deux autres couches entièrement connectées (représentées sous forme de blocs verticaux) à partir desquelles les deux paramètres d’une distribution gaussienne sont sortis. Crédit: Géosciences mathématiques (2022). DOI : 10.1007/s11004-021-09988-0

Une équipe d’experts, dont Charlie Kirkwood de l’Université d’Exeter, a créé une nouvelle approche sophistiquée pour modéliser les caractéristiques naturelles de la Terre avec plus de détails et de précision.

La nouvelle technique peut reconnaître des caractéristiques et des aspects complexes du terrain bien au-delà des capacités des méthodes plus traditionnelles et les utiliser pour générer des cartes environnementales de meilleure qualité.

Fondamentalement, le nouveau système pourrait également ouvrir la voie à de nouvelles découvertes sur les relations au sein de l’environnement naturel, ce qui pourrait aider à résoudre certains des plus grands problèmes climatiques et environnementaux du 21e siècle.

L’étude est publiée dans la revue Géosciences mathématiquesdans le cadre d’un numéro spécial sur la géostatistique et le machine learning.

La modélisation et la cartographie de l’environnement est un processus long, chronophage et coûteux. Le coût limite le nombre d’observations pouvant être obtenues, ce qui signifie que la création de cartes spatialement continues complètes dépend du remplissage des lacunes entre ces observations.

Les scientifiques peuvent utiliser une gamme de sources d’informations pour aider à combler ces lacunes d’observation, telles que les données d’élévation du terrain et l’imagerie satellite. Cependant, les méthodes de modélisation conventionnelles reposent sur les utilisateurs pour concevoir manuellement des caractéristiques prédictives à partir de ces ensembles de données, par exemple en générant des angles de pente et des courbures à partir des données d’élévation du terrain dans l’espoir que celles-ci puissent aider à expliquer la distribution spatiale de la variable cartographiée.

Cependant, les scientifiques pensent qu’il y a probablement beaucoup plus de relations nuancées en jeu dans l’environnement naturel que les modèles basés sur des approches traditionnelles d’ingénierie manuelle des caractéristiques peuvent tout simplement manquer.

La nouvelle approche pionnière de l’IA, développée dans l’étude, pose l’extraction d’informations environnementales comme un problème d’optimisation. Cela lui permet de reconnaître et d’utiliser automatiquement des relations qui pourraient autrement passer inaperçues et inutilisées par les humains en utilisant des méthodes de modélisation plus traditionnelles.

En plus d’améliorer la qualité de la carte, cette approche libère également le potentiel de découverte de nouvelles relations dans l’environnement naturel par l’IA, tout en éliminant simultanément d’énormes quantités d’expérimentations par essais et erreurs dans le processus de modélisation.

Charlie Kirkwood, étudiant de troisième cycle à l’Université d’Exeter, a déclaré : “Pour être utiles à la prise de décision, nous avons besoin que nos modèles fournissent des réponses aussi précises que possible tout en étant dignes de confiance, ce qui signifie créer des mesures précises de l’incertitude associée à nos estimations, qui dans ce cas sont des prédictions à des endroits non mesurés.”

“Notre approche d’IA est définie dans un cadre statistique bayésien, ce qui nous permet de quantifier ces incertitudes et de fournir une gamme de mesures d’incertitude, y compris des intervalles crédibles, des probabilités de dépassement et d’autres produits plus personnalisés qui alimenteront directement les processus de prise de décision. ceci est fourni tout en exploitant toutes les informations disponibles plus efficacement que ne le permettent les approches traditionnelles, ce que vous pouvez voir apparaître dans les détails de la carte. »

Une nouvelle technique exploite des capacités d'IA de pointe pour modéliser et cartographier l'environnement naturelGéosciences mathématiques (2022). DOI : 10.1007/s11004-021-09988-0″/>

Log(CaO) prédit interpolé à partir des observations géochimiques des sédiments fluviaux à travers le Royaume-Uni à l’aide d’informations auxiliaires fournies par un modèle numérique d’élévation. Cette carte montre la moyenne de la distribution prédictive de notre réseau de neurones profonds, qui a capturé des relations complexes entre les caractéristiques du terrain et log(CaO). Crédit:Géosciences mathématiques (2022). DOI : 10.1007/s11004-021-09988-0

La nouvelle approche a été démontrée à l’aide d’observations de concentration de calcium dans les sédiments fluviaux du projet Geochemical Baseline Survey of the Environment (G-BASE) du British Geological Survey.

La distribution du calcium dans l’environnement, qui a une importance autonome pour son impact sur la fertilité des sols, est contrôlée principalement par la géologie – avec différents types de roches contenant différentes proportions de calcium – mais aussi par des processus hydrologiques à la surface.

Le calcium fournit donc un cas d’utilisation stimulant pour l’approche IA, qui doit apprendre à reconnaître et à utiliser les caractéristiques liées à la fois à la géologie du substratum rocheux (par exemple, différentes textures de terrain, ruptures de pente) et à l’hydrologie de surface (par exemple, drainage, canaux de rivière).

Selon les scientifiques, la méthode a produit une carte spectaculairement détaillée et précise qui, bien qu’elle ne représente qu’un seul élément, le calcium, révèle la géologie de la Grande-Bretagne avec sans doute un nouveau niveau de détail grâce à la puissance d’extraction d’informations de la nouvelle approche de l’IA. L’équipe pense qu’en combinant les compétences de recherche, l’expertise et les ressources de données de ses partenaires – l’Université d’Exeter, le Met Office et le British Geological Survey – ce travail ouvre une nouvelle ère pour les pratiques de cartographie environnementale à l’ère de l’IA.

Le professeur Gavin Shaddick, de l’Université d’Exeter, a ajouté “C’est un exemple fantastique d’intelligence environnementale, l’utilisation de l’IA pour aider à résoudre les défis des sciences de l’environnement. Ce travail est un exemple dans l’intégration des connaissances techniques de l’IA et de l’apprentissage automatique avec une expertise en géosciences”. pour produire une nouvelle méthodologie qui répond directement aux questions cruciales de la cartographie des informations environnementales. Les avancées méthodologiques qui en résultent pourraient être utilisées pour produire des cartes détaillées d’une grande variété de risques environnementaux et ont le potentiel de fournir une riche source d’informations pour les scientifiques et les décideurs. ”

Garry Baker, directeur numérique par intérim, British Geological Survey, a ajouté : « Cet article est une excellente démonstration de la façon dont les informations environnementales telles que la base de données géochimiques BGS peuvent être réévaluées via de nouvelles approches (interpolation spatiale de l’IA). la recherche environnementale et comment celle-ci peut s’appuyer sur les vastes ensembles de données accessibles à tous par le biais du Centre national de données géoscientifiques et des référentiels de données plus larges du NERC et de l’UKRI.

Le Dr Kirstine Dale, chercheuse principale du Met Office pour la science des données et codirectrice du Centre conjoint d’excellence en intelligence environnementale, a commenté la valeur de ce travail : “C’est un exemple important de la façon dont la science des données a le potentiel de transformer notre compréhension De manière critique, il met en évidence ce qui peut être réalisé en travaillant à travers les disciplines, dans ce cas réunissant des mathématiciens, des spécialistes de la météo et des informaticiens enrichit notre connaissance du monde naturel d’une manière qu’aucune discipline ne peut le faire.”


Un chercheur développe des outils d’intelligence artificielle pour la recherche environnementale


Plus d’information:
Charlie Kirkwood et al, Bayesian Deep Learning pour l’interpolation spatiale en présence d’informations auxiliaires, Géosciences mathématiques (2022). DOI : 10.1007/s11004-021-09988-0

Fourni par l’Université d’Exeter

citation: Une nouvelle technique exploite des capacités d’IA de pointe pour modéliser et cartographier l’environnement naturel (16 mars 2022) récupéré le 16 mars 2022 sur https://phys.org/news/2022-03-technique-harnesses-cutting-edge-ai -capabilities.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.