Vandaag, voorspellen wat de toekomst voor het klimaat op aarde in petto heeft, betekent omgaan met onzekerheden. Bijvoorbeeld, de belangrijkste klimaatprojecties van het Intergouvernementeel Panel voor klimaatverandering (IPCC) hebben de wereldwijde temperatuurstijging veroorzaakt door een verdubbeling van de atmosferische CO ₂ niveaus - ook wel "klimaatgevoeligheid" genoemd - ergens tussen 1,5 graden C en 4,5 ° C. Die kloof, die sinds het eerste IPCC-rapport in 1990 niet is veranderd, heeft ingrijpende gevolgen voor het soort milieugebeurtenissen waar de mensheid zich op wil voorbereiden.

Een deel van de onzekerheid ontstaat door ongedwongen variabiliteit - veranderingen die zelfs zouden optreden als er geen toename van CO . was ₂ -maar een deel ervan komt voort uit de behoefte aan modellen om complexe processen zoals wolken en convectie te simuleren. Onlangs, klimaatwetenschappers hebben geprobeerd de onzekerheid in klimaatmodellen te verkleinen door gebruik te maken van een recente revolutie in de informatica. machinaal leren, die al wordt ingezet voor een groot aantal toepassingen (drugsdetectie, luchtverkeersleiding, en spraakherkenningssoftware, bijvoorbeeld), breidt zich nu uit naar klimaatonderzoek, met als doel de onzekerheid in klimaatmodellen te verminderen, specifiek als het gaat om klimaatgevoeligheid en het voorspellen van regionale trends, twee van de grootste boosdoeners van onzekerheid.

Paul O'Gorman, een universitair hoofddocent bij het MIT Department of Earth, Atmospheric and Planetary Sciences (EAPS) en lid van het programma Atmospheres, Oceanen en klimaat, bespreekt waar machine learning past in klimaatmodellering, mogelijke valkuilen en hun remedies, en gebieden waarop de aanpak waarschijnlijk het meest succesvol zal zijn.

Vraag:Klimaatgevoeligheid en regionale klimaatveranderingen lijken een bron van frustratie te zijn voor onderzoekers. Wat zijn de obstakels daar, en hoe kan machine learning helpen?

A:Aan de ene kant zijn de huidige klimaatmodellen al erg bruikbaar, maar ze worden ook geconfronteerd met zeer uitdagende problemen, waarvan u er twee noemde:klimaatgevoeligheid voor een verdubbeling van kooldioxide en regionale aspecten van klimaatveranderingen, bijvoorbeeld, hoe regenval verandert in een bepaald land. Voor beide problemen zouden we graag nauwkeurigere klimaatmodellen willen hebben, en ze moeten ook snel zijn omdat ze meer dan duizend jaar moeten worden gebruikt, typisch, gewoon om ze in de huidige klimaattoestand te krijgen voordat ze verder gaan naar toekomstige klimaten.

Het is dus een kwestie van zowel nauwkeurigheid als efficiëntie. traditioneel, klimaatmodellen zijn grotendeels gebaseerd op de natuurkunde en scheikunde van de atmosfeer en de oceaan, en processen op het landoppervlak. Maar ze kunnen niet alles omvatten wat er in de atmosfeer gebeurt tot op de millimeterschaal of kleiner, dus moeten ze een aantal empirische formules bevatten. En die empirische formules worden parameterisaties genoemd. Parameterisaties vertegenwoordigen complexe processen, zoals wolken en atmosferische convectie - een voorbeeld hiervan zijn onweersbuien - die op kleine schaal plaatsvinden in vergelijking met de grootte van de aarde, dus ze zijn moeilijk voor wereldwijde klimaatmodellen om nauwkeurig weer te geven.

Een idee dat de afgelopen jaren naar voren is gekomen, is om machine learning te gebruiken om deze kleinschalige aspecten van de atmosfeer en de oceaan nauwkeuriger weer te geven. Het idee zou zijn om een ​​zeer dure, model met hoge resolutie dat het proces waarin u geïnteresseerd bent kan oplossen, bijvoorbeeld, ondiepe wolken, en gebruik vervolgens machine learning om van die simulaties te leren. Dat is de eerste stap. De tweede stap zou zijn om het machinaal geleerde algoritme op te nemen in een klimaatmodel om te geven, Hopelijk, een sneller en nauwkeuriger klimaatmodel. En dat is wat verschillende groepen over de hele wereld onderzoeken.

Vraag:In hoeverre kan het machinaal geleerde algoritme generaliseren vanuit één klimaatsituatie, of een regio, naar een ander?

A:Dat is een groot vraagteken. Wat we tot nu toe hebben gevonden, is dat als je traint op het huidige klimaat en vervolgens een veel warmer klimaat probeert te simuleren, het machine learning-algoritme zal falen omdat het vertrouwt op analogieën met situaties in het huidige klimaat die zich niet uitstrekken tot het warmere klimaat met hogere temperaturen. Bijvoorbeeld, wolken in de atmosfeer hebben de neiging om hoger te gaan in een warmer klimaat. Dus dat is een beperking als je alleen traint op het huidige klimaat, maar trainen op warmere klimaten in modellen met een hoge resolutie is natuurlijk ook mogelijk.

interessant, we vonden voor atmosferische convectie dat als je traint op het huidige klimaat en dan naar een kouder klimaat gaat, de machine learning-aanpak werkt goed. So there is an asymmetry between warming or cooling and how well these algorithms can generalize, at least for the case of atmospheric convection. The reason that the machine learning algorithm can generalize in the case of a cooling climate is that it can find examples at higher latitudes in the current climate to match the tropics of the colder climate. So different climates in different regions of the world help with generalization for climate change.

The other thing that may help is events like El Niño, where the global atmosphere on average gets a bit warmer, and so that could provide an analogy from which to learn. It's not a perfect analogy with global warming, but some of the same physics may be operating at higher temperatures so that could be something that the machine learning algorithm would automatically leverage to help to generalize to warmer climates.

Q:Does that mean there are certain areas of the climate system that machine learning will work better for versus others?

A:I was suggesting that we should train our machine learning algorithms on very expensive high-resolution simulations, but that only makes sense, natuurlijk, if we have accurate high-resolution simulations for the process we are interested in. What we've been studying—atmospheric convection—is a good candidate because we can do quite accurate high-resolution simulations.

Anderzijds, if one was interested in, bijvoorbeeld, how the land surface responds to climate change and how it interacts with the atmosphere above it, it's more difficult because there's lots of complexity. We have different types of plants, different soil. It's very heterogeneous. It's not as straightforward to get the truth from which you want to learn from models in that case. And then if we say, "We zullen, for aspects of the climate system that don't have accurate expensive simulations, can we instead use observations?" Perhaps. But then we come back to the problem of trying to generalize to a different climate. So, I definitely think there are different parts of the climate system that are more amenable to the machine learning approach than others.

Ook, some aspects of climate model simulations are already very good. Models are already doing well in simulating the large scale fluid dynamics of the atmosphere, bijvoorbeeld. So those parts of climate models are very unlikely to be replaced with machine learning approaches that would be less flexible than a purely physics-based approach.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.