Een grote uitdaging in de huidige klimaatvoorspellingsmodellen is hoe wolken en hun atmosferische verwarming en bevochtiging nauwkeurig kunnen worden weergegeven. Deze uitdaging ligt aan de basis van de wijdverbreide klimaatvoorspelling. Toch zijn nauwkeurige voorspellingen van de opwarming van de aarde als reactie op verhoogde concentraties broeikasgassen essentieel voor beleidsmakers (bijvoorbeeld het klimaatakkoord van Parijs).

In een onlangs online gepubliceerd artikel in Geofysische onderzoeksbrieven , onderzoekers onder leiding van Pierre Gentine, universitair hoofddocent aard- en milieutechniek bij Columbia Engineering, aantonen dat machine learning-technieken kunnen worden gebruikt om dit probleem aan te pakken en wolken beter weer te geven in klimaatmodellen met grove resolutie (~ 100 km), met het potentieel om het voorspellingsbereik te verkleinen.

"Dit kan een echte game-changer zijn voor klimaatvoorspelling, " zegt Gentine, hoofdauteur van het artikel, en lid van het Earth Institute en het Data Science Institute. "We hebben grote onzekerheden in onze voorspelling van de reactie van het aardse klimaat op stijgende broeikasgasconcentraties. De belangrijkste reden is de weergave van wolken en hoe ze reageren op een verandering in die gassen. Ons onderzoek toont aan dat technieken voor machinaal leren ons helpen wolken beter weer te geven en zo de reactie van het mondiale en regionale klimaat op stijgende broeikasgasconcentraties beter te voorspellen."

De onderzoekers gebruikten een geïdealiseerde opstelling (een aquaplanet, of een planeet met continenten) als proof of concept voor hun nieuwe benadering van convectieve parametrering op basis van machine learning. Ze trainden een diep neuraal netwerk om te leren van een simulatie die expliciet wolken voorstelt. De machine learning-representatie van wolken, die ze de Cloud Brain (CBRAIN) noemden, kon vakkundig veel van de wolkenverwarming voorspellen, bevochtigen, en stralingskenmerken die essentieel zijn voor klimaatsimulatie.

Gentine notities, "Onze aanpak kan een nieuwe mogelijkheid bieden voor een toekomst van modelrepresentatie in klimaatmodellen, die datagedreven zijn en 'top-down, ' dat is, door het leren van de meest opvallende kenmerken van de processen die we proberen te vertegenwoordigen."

De onderzoekers merken ook op dat, omdat de wereldwijde temperatuurgevoeligheid voor CO2 sterk verband houdt met wolkenrepresentatie, CBRAIN kan ook de schattingen van de toekomstige temperatuur verbeteren. Ze hebben dit getest in volledig gekoppelde klimaatmodellen en hebben veelbelovende resultaten laten zien, waaruit blijkt dat dit kan worden gebruikt om de reactie op broeikasgassen te voorspellen.