微軟研究院推出 AI 驅動的碳預算方法：實時追蹤全球碳匯與排放的方式

自工業革命以來，燃燒化石燃料和土地使用變化，特別是森林砍伐，導致大氣中的二氧化碳 (CO2) 濃度上升。雖然陸地植物和海洋能作為自然的碳匯，吸收部分二氧化碳，但排放量始終超過它們每年的吸收能力。這種不平衡持續增加大氣中的二氧化碳濃度，推動全球變暖和極端天氣事件的發生。了解碳預算——二氧化碳的來源和吸收情況——對於應對氣候變化變得至關重要，尤其是各國努力實現碳中和的時候。

主要挑戰在於準確估算碳預算及其對環境的影響。碳預算衡量化石燃料、混凝土生產、土地使用變化和自然二氧化碳來源的排放量與碳匯的吸收能力之間的平衡。用準確和及時的二氧化碳數據來應對日益嚴重的氣候危機變得更容易。然而，現有的方法無法快速追蹤全球碳匯的變化，特別是在環境擾動（如野火或厄爾尼諾現象）不穩定地改變碳動態時。

傳統的碳預算方法通常依賴於地球碳循環的數值模擬。雖然這些模型可以模擬複雜的地球系統過程，但它們經常面臨重大延遲。例如，2023年全球碳預算報告使用的數據截至2022年底，顯示出碳預算信息的延遲一年。這種延遲限制了當前模型在提供及時氣候數據方面的有效性，這些數據能指導現實世界的行動。研究人員需要一種更快、更可靠的方法來捕捉影響全球變暖的突發碳動態變化。

為了解決這些限制，微軟亞洲研究院的研究人員與清華大學、法國氣候與環境科學實驗室及其他全球研究機構合作，提出了一種基於人工智慧的近實時碳預算方法。通過整合衛星數據、動態全球植被模型和海洋模型模擬器，研究團隊開發了一種能夠以空前速度和準確性預測碳預算的即時碳匯模型。這個模型利用卷積神經網絡 (CNN) 和半監督學習技術來提供低延遲的結果。

這個基於人工智慧的模型利用環境變量觀測和歷史數據來預測全球碳匯水平。該模型整合了12個月的歷史數據、每月特徵和目標輸出。CNN處理這些數據以計算預測，而半監督學習則提供無監督的損失函數以提高預測準確性。該模型處理來自海洋和陸地碳匯的環境數據以及衛星火災排放，以提供二氧化碳碳匯的實時更新。這種方法確保預測的誤差範圍小於2%，為傳統碳預算方法提供了一種快速、靈敏的替代方案。

這個近實時碳匯模型的結果顯示出令人鼓舞的準確性。特別是，該模型能夠追蹤2023年陸地碳匯的劇烈下降。亞馬遜雨林因乾旱受到嚴重影響，顯示出0.31 ± 0.19 GtC的碳匯損失。該模型還準確預測了2023年北美野火的碳排放，對大氣中的二氧化碳貢獻了0.58 ± 0.10 GtC。此外，該模型檢測到從拉尼娜現象轉變為中等厄爾尼諾現象，這對全球碳動態產生了重大影響。這些發現突顯了人工智慧模型在捕捉動態環境變化和生成近實時可行數據方面的有效性。

總之，陸地碳匯的快速下降對全球碳中和努力的有效性構成了嚴重威脅。微軟亞洲研究院、清華大學和法國氣候與環境科學實驗室的研究團隊提出的基於人工智慧的碳預算模型，為碳預算估算的挑戰提供了一種創新的解決方案。該模型能夠實時生成預測，並比傳統方法更準確地追蹤環境變化，這是全球應對氣候變化的重要一步。通過減少碳數據更新的延遲，這種方法使得在面對緊迫的環境威脅時，能夠更有效地進行氣候行動和政策制定。

在這裡查看詳細信息。所有研究的功勞都歸於這個項目的研究人員。此外，別忘了在Twitter上關注我們，加入我們的Telegram頻道和LinkedIn小組。也別忘了加入我們的60k+ ML SubReddit。

🚨 [必須訂閱]: 訂閱我們的新聞通訊，以獲取熱門的人工智慧研究和開發更新