Hoe AI kan helpen om de aarde sneller te begrijpen
AI kan wetenschappers helpen sneller gegevens over de aarde te verzamelen. Dit bespaart hen veel tijd bij het uitzoeken hoe ze alle verzamelde gegevens moeten analyseren. Julia Wasala, PhD student aan het Leiden Institute of Advanced Sciences (LIACS), vertelt hoe AI kan worden gebruikt om tijd te besparen.
Beelden van satellieten, metingen van temperatuur en druk over de hele wereld. Wetenschappers verzamelen veel informatie over de aarde. AI kan hen helpen om deze gegevens sneller te analyseren, maar wetenschappers zijn niet altijd op de hoogte van de bestaande methoden en creëren deze vaak zelf handmatig. Julia Wasala, PhD student bij LIACS, heeft een passie voor klimaat en wil wetenschappers helpen met het besparen van tijd en het creëren van betere resultaten: 'Door AI en vooral machine learning te gebruiken, wordt het verwerken van gegevens voor aardobservatie eenvoudiger.'
Hoe kan AI wetenschappers helpen?
'In mijn onderzoek pas ik machine learning systemen toe op Earth Observation (EO) datasets. Dit maakt veelgebruikte AI-modellen toegankelijker voor EO-wetenschappers. Daarnaast bespaart het een onderzoeker kostbare tijd door automatisch modellen te ontwerpen op basis van welke EO data geanalyseerd gaat worden. Een groot pluspunt van machine learning is dat het veel beter presteert dan een mens, die met vallen en opstaan goede modellen zou moeten vinden.'
Hoe ben je bij dit onderwerp betrokken geraakt?
'Ik heb een passie voor het klimaat en vanuit mijn achtergrond in de sterrenkunde ben ik bekend met en houd ik van het werken met beelden. Ik heb mijn masterscriptie over hetzelfde onderwerp geschreven en daar heb ik veel plezier aan beleefd. Ik heb het gevoel dat er op dit gebied nog veel te winnen valt, en dat het verkrijgen van nieuwe inzichten impact kan hebben op het klimaatonderzoek.
Een groot pluspunt van machine learning is dat het veel beter presteert dan een mens
Hoe kan AI klimaatonderzoek helpen?
'De methoden die ik ontwikkel zijn gericht op wetenschappers die werken met EO data, maar we hebben meer data dan wat we handmatig kunnen verwerken. Door AI en vooral machine learning te gebruiken, wordt het verwerken van data makkelijker. Als je bijvoorbeeld de uitstoot van methaan meet op een satelliet, dan meet je hoeveel methaan er in de atmosfeer zit, terwijl je wilt weten hoeveel er aan het oppervlak wordt uitgestoten. Er bestaan natuurkundige modellen om dit te berekenen, maar die zijn niet altijd accuraat. Als je AI gebruikt om gegevens te verwerken en te vergelijken, wordt de onzekerheid hierover kleiner. Dat betekent dat je meer inzicht krijgt in het verband tussen methaan in de lucht en methaanuitstoot. Het begrijpen van dit soort mechanismen kan helpen bij het identificeren van factoren die een grote invloed hebben op het klimaat.
Dus een beter begrip van milieumechanismen maakt het makkelijker om klimaatverandering te bestrijden?
'Ja, maar dat is niet het enige. Ook andere AI-modellen, zoals een model dat automatisch grote vervuilers kan opsporen, kunnen beleidsmakers ondersteunen bij hun beslissingen. Als bijvoorbeeld blijkt dat veel kolenmijnen die niet meer gebruikt worden toch veel uitstoot veroorzaken, kan er beleid komen om dit aan te pakken. Mijn uiteindelijke onderzoeksdoel is dat machine learning gebruikt kan worden om het hele proces van EO analyse te verbeteren, zodat mensen beter gebruik kunnen maken van alle beschikbare EO data.
Julia Wasala is promovendus bij de ADA onderzoeksgroep. Behaalde daarvoor een bachelor sterrenkunde en een master informatica, beide aan de Universiteit Leiden. De ADA onderzoeksgroep is opgericht in 2017. Zij streeft naar de ontwikkeling van AI-technieken die de menselijke intelligentie aanvullen in plaats van vervangen. Binnenkort komt er ook een speciale website genaamd AutoAI4EO. Tot die tijd kun je het project volgen op Twitter: @AutoAI4EO. U kunt meer lezen over Julia's onderzoek op de ADA-blog. Daar schrijft ze een serie blogposts over Machine Learning voor EO.