Het nauwkeurig modelleren van extreme neerslaggebeurtenissen blijft een grote uitdaging voor klimaatmodellen. Deze modellen voorspellen hoe het klimaat op aarde in de loop van decennia en zelfs eeuwen kan veranderen. Om ze te verbeteren, vooral met betrekking tot extreme gebeurtenissen, gebruiken onderzoekers nu machine learning-methoden die anders worden toegepast op het genereren van afbeeldingen.

Computers gebruiken al kunstmatige intelligentie om de resolutie van vage beelden te verbeteren, om beelden te creëren die de stijl van bepaalde schilders imiteren op basis van foto's, of om realistische portretten te maken van mensen die niet echt bestaan. De onderliggende methode is gebaseerd op zogenaamde GAN's (Generative Adversarial Networks).

Een team onder leiding van Niklas Boers, hoogleraar Earth System Modeling aan de Technische Universiteit van München (TUM) en onderzoeker aan het Potsdam Institute for Climate Impact Research (PIK) past deze machine learning-algoritmen nu toe op klimaatonderzoek. De onderzoeksgroep publiceerde onlangs haar bevindingen in Nature Machine Intelligence .

Niet alle processen kunnen in aanmerking worden genomen

"Klimaatmodellen verschillen van de modellen die worden gebruikt om weersvoorspellingen te maken, vooral in termen van hun bredere tijdshorizon. De voorspellingshorizon voor weersvoorspellingen is meerdere dagen, terwijl klimaatmodellen simulaties uitvoeren over decennia of zelfs eeuwen", legt Philipp Hess, hoofdauteur uit van de studie- en onderzoeksmedewerker bij het TUM-lectoraat voor Earth System Modeling.

Het weer kan een paar dagen vrij precies worden voorspeld; de voorspelling kan vervolgens worden geverifieerd op basis van feitelijke waarnemingen. Als het echter om klimaat gaat, is het doel niet een op tijd gebaseerde voorspelling, maar onder andere projecties van hoe de toenemende uitstoot van broeikasgassen het klimaat op aarde op de lange termijn zal beïnvloeden.

Klimaatmodellen kunnen echter nog steeds niet alle relevante klimaatprocessen perfect in rekening brengen. Dit komt enerzijds omdat sommige processen nog niet voldoende begrepen zijn, en anderzijds omdat gedetailleerde simulaties te lang zouden duren en te veel rekenkracht vergen. "Als gevolg hiervan kunnen klimaatmodellen extreme neerslaggebeurtenissen nog steeds niet weergeven zoals we zouden willen. Daarom zijn we GAN's gaan gebruiken om deze modellen te optimaliseren met betrekking tot hun neerslagoutput", zegt Niklas Boers.

Klimaatmodellen optimaliseren met weergegevens

Een GAN bestaat grofweg uit twee neurale netwerken. Het ene netwerk probeert een voorbeeld te maken van een eerder gedefinieerd product, terwijl het andere dit kunstmatig gegenereerde voorbeeld probeert te onderscheiden van echte voorbeelden. De twee netwerken concurreren dus met elkaar en worden voortdurend verbeterd.

Een praktische toepassing van GAN's is het "vertalen" van landschapsschilderijen naar realistische foto's. De twee neurale netwerken nemen fotorealistische afbeeldingen die op basis van het schilderij zijn gegenereerd en sturen ze heen en weer totdat de gemaakte afbeeldingen niet meer van echte foto's te onderscheiden zijn.

Het team van Niklas Boers nam een ​​vergelijkbare benadering:de onderzoekers gebruikten een vergelijkbaar eenvoudig klimaatmodel om het potentieel aan te tonen van het gebruik van machine learning om dergelijke modellen te verbeteren. De algoritmen van het team gebruiken waargenomen weergegevens. Met behulp van deze gegevens heeft het team de GAN getraind om de simulaties van het klimaatmodel te veranderen, zodat ze niet langer konden worden onderscheiden van werkelijke weerwaarnemingen.

"Op deze manier kan de mate van detail en realisme worden verhoogd zonder dat er ingewikkelde aanvullende procesberekeningen nodig zijn", zegt Markus Drücke, klimaatmodelleur bij PIK en co-auteur van het onderzoek.

GAN's kunnen het elektriciteitsverbruik bij klimaatmodellering verminderen

Zelfs relatief eenvoudige klimaatmodellen zijn complex en worden verwerkt met supercomputers die veel energie verbruiken. Hoe meer details het model in aanmerking neemt, hoe ingewikkelder de berekeningen worden en hoe groter het elektriciteitsverbruik. De berekeningen die nodig zijn om een ​​getrainde GAN toe te passen op een klimaatsimulatie zijn echter verwaarloosbaar in vergelijking met de hoeveelheid berekening die nodig is voor het klimaatmodel zelf.

"Het gebruik van GAN's om klimaatmodellen gedetailleerder en realistischer te maken, is dus niet alleen praktisch voor de verbetering en versnelling van de simulaties, maar ook voor het besparen van elektriciteit", zegt Philipp Hess. + Verder verkennen

Nieuwe studie zal helpen om de nauwkeurigheid van klimaatveranderingsmodellen en weersvoorspellingen te verbeteren