2024年は、米国と中西部でいくつかのヒートドームが発生するなど、前例のない気候課題でした(コースの融解からアルコール依存症の増加まで、スポーツが気候変動の影響に適応することを余儀なくされている方法)。高気圧の下で熱風を閉じ込めるこれらのヒートドームは、数日または数週間で極端な温度を引き起こし、人間の健康、農業、野生生物にいくつかの脅威をもたらします(ヒートドームとは何ですか?気象学者が米国東部を焼き尽くす気象現象を説明しています)。

世界的には、気温が初めて、そしてその5年前に重要な摂氏1.5度の閾値を突破したため、気候変動のペースが加速しています。例えば、特にカリブ海地域やブラジルの脆弱な地域は、壊滅的な洪水に直面しており、気候変動による移住や適応に対処するための協調的な取り組みが必要です(ブラジルは気候モビリティへの新たなアプローチを必要としています)。そこで起こる様々な現象の中から、既存の様々な側面を活用して解決策を見出す必要があります。

過去のデータは、天気を予測し、将来の気候を予測するために人工知能を使用して、最高の既存のモデルに匹敵する結果を達成することができます(AIを利用した天気と気候モデルは、予測の未来を変えるように設定されています)。これらのアーカイブは、科学者が森林、湿地、その他の主要な生態系の変化を計算し、地球の気候システムに対する境界的な影響を評価するための重要なベースラインを提供します。

衛星画像やAIなどの新しいテクノロジーの助けを借りて、森林破壊、海水温、気象パターンをはるかに正確に監視できるようになりました(1,000枚の歴史的な写真を使用して、劇的な崩壊前の南極の氷河を再構築しました)。これにより、海面上昇から天候の変化、食料生産への影響まで、将来何が起こるかをより正確に予測することができます。世界が気温の上昇、炭素排出量、人間活動による課題の増加に直面している中、これらの高度なツールは、地球のシステムのバランスを保つための気候変動を理解し、対処するための鍵となります。

気候変動は森林に影響を与えるため、例えば、気温の上昇は光合成を減少させ、自己栄養呼吸を増加させ、近隣地域の正味の一次生産森林被覆のレベルを低下させる可能性があるため、例えば、地域的な温暖化と乾燥を引き起こす森林の減少は、正の炭素気候フィードバックに寄与する可能性があります(森林減少による気候変動は、残りの熱帯林の炭素貯蔵を減少させます)。 そしてもちろん、それは炭素貯蔵を脅かします。

自然システムの炭素貯蔵能力は、人間活動と気候変動によって深刻な脅威にさらされています。南極海は、過剰な熱と二酸化炭素を吸収する重要な役割を果たし、地球の気温を穏やかにするのを助けます 南極海 – 熱と炭素の貯蔵庫。しかし、海水温の上昇と氷の融解は、これらの重要なプロセスを弱体化させています。海草移植のような取り組みは、炭素隔離を強化するための有望な解決策として浮上しており、海草藻場は熱帯雨林の最大35倍の速さで炭素を貯蔵することができます。

水中ドローンやロボット工学などの技術革新は、最適な植栽場所をマッピングし、広いエリアに効率的に海草を植えることにより、海草の回復努力を支援するために採用されています。さらに、大気中のCO2を直接除去し、地下や枯渇した油田やガス田に貯留するためのCCS(Carbon Capture and Storage)技術が開発されています。これらの技術の進歩は、自然の解決策とともに、塩湖の縮小や海洋生態系の劣化など、重要な炭素吸収源の損失を軽減するために不可欠です。今、問題に基づく私たちの自然な解決策のスニークピーク。

したがって、アプリケーションはPLANT(PLABS Seagrass Location and Analysis Network Tool)であり、関心のある地域に基づいて海草移植サイトを自動的に検出できます。このアプリケーションは、検出された領域の分析も提供します。赤い円は、その地域が海草移植に適していないことを定義し、緑の円は、その地域が海草移植に適していることを定義します。分析により、0から2までの適切なスコアがわかります。これらの結果は、Bi-LSTMモデルが適切な海草移植部位の予測に有効であることを示しており、平均88.38%の精度を達成しました。

Data Summary
Labels	Training set	Testing set	Total
class 0	2488	1066	3554
class 2	2487	1066	3553

Bi-LSTMアプローチは、海草の移植に最適な場所を特定および評価するために導入され、エコーステートネットワーク(ESN)および1次元畳み込みニューラルネットワーク(CNN-1D)と比較されました。Bi-LSTMモデルは、10エポックにわたって学習され、初期学習精度と検証精度がそれぞれ98.75%と99.98%を達成し、学習損失と検証損失はそれぞれ0.0326と0.0112であり、シーケンシャルデータから効果的に学習し、一般化する能力を示しています。