Wetenschap
AI verbetert de voorspellingen van moessonregens
Elk jaar zorgt het Zuid-Aziatische moessonseizoen tussen juni en september voor meer dan een miljard mensen op het Indiase subcontinent met zware regenval. De regen valt met schommelingen:in sommige weken staat er 1 tot 10 centimeter water, terwijl andere weken meestal droog zijn. Voorspellen wanneer deze droge en natte periodes zich zullen voordoen is van cruciaal belang voor de landbouw- en stadsplanning, waardoor boeren weten wanneer ze hun gewassen moeten oogsten en stadsfunctionarissen zich kunnen voorbereiden op overstromingen. Hoewel weersvoorspellingen meestal binnen één of twee dagen nauwkeurig zijn, is het nauwkeurig voorspellen van het weer voor een week of een maand erg moeilijk.
Nu is aangetoond dat een nieuwe, op machine learning gebaseerde voorspelling de Zuid-Aziatische moessonregens 10 tot 30 dagen van tevoren nauwkeuriger kan voorspellen, een aanzienlijke verbetering ten opzichte van de huidige state-of-the-art voorspellingen die numerieke modellen gebruiken in plaats van kunstmatige intelligentie. voorspellingen te doen. Het begrijpen van het moessongedrag is ook belangrijk omdat dit soort regenval een belangrijk atmosferisch kenmerk is van het mondiale klimaat.
Het onderzoek werd geleid door Eviatar Bach, de Foster en Coco Stanback Postdoctoral Scholar Research Associate in Environmental Science and Engineering, die werkt in de laboratoria van Tapio Schneider, de Theodore Y. Wu hoogleraar Environmental Science and Engineering en JPL senior onderzoekswetenschapper; en Andrew Stuart, de Bren-professor informatica en wiskundige wetenschappen.
Een artikel waarin de nieuwe methode wordt beschreven, verschijnt in de Proceedings of the National Academy of Sciences .
"Er bestaat veel bezorgdheid over de manier waarop de klimaatverandering de moesson en andere weersomstandigheden zoals orkanen, hittegolven, enzovoort zal beïnvloeden", zegt Bach. "Het verbeteren van voorspellingen op kortere tijdschalen is een belangrijk onderdeel van het reageren op klimaatverandering, omdat we de paraatheid voor deze gebeurtenissen moeten kunnen verbeteren."
Het voorspellen van het weer is moeilijk omdat de atmosfeer talloze instabiliteiten bevat (de atmosfeer wordt bijvoorbeeld voortdurend verwarmd vanaf de aarde eronder, wat leidt tot koude, dichtere lucht boven hetere, minder dichte lucht) en ook instabiliteit veroorzaakt door ongelijkmatige verwarming en de rotatie van de aarde. Deze instabiliteiten leiden tot een chaotische situatie waarin de fouten en onzekerheden bij het modelleren van het gedrag van de atmosfeer zich snel vermenigvuldigen, waardoor het bijna onmogelijk wordt om verder in de toekomst te voorspellen.
De huidige state-of-the-art modellen maken gebruik van numerieke modellering, dit zijn computersimulaties van de atmosfeer op basis van natuurkundige vergelijkingen die de beweging van vloeistoffen beschrijven. Vanwege chaos is de maximaal voorspelbare tijd voor grootschalig weer meestal ongeveer 10 dagen. Het voorspellen van het langetermijngemiddelde gedrag van de atmosfeer (dat wil zeggen het klimaat) is ook mogelijk, maar het voorspellen van het weer in het tijdsinterval tussen twee weken en enkele maanden is een uitdaging geweest met numerieke modellen.
Bij Zuid-Aziatische moessons heeft de regen de neiging te vallen in cycli van intense uitbarstingen, gevolgd door droge periodes. Deze cycli staan bekend als moesson-intra-seizoensoscillaties (MISO's). In het nieuwe onderzoek voegden Bach en zijn medewerkers een machine-learning-component toe aan de huidige state-of-the-art numerieke modellen. Hierdoor konden de onderzoekers gegevens verzamelen over de MISO's en betere voorspellingen doen van de regenval op de ongrijpbare tijdschaal van twee tot vier weken. Het resulterende model kon de correlaties van de voorspellingen met waarnemingen met wel 70% verbeteren.
"De afgelopen jaren is er steeds meer belangstelling ontstaan voor het gebruik van machinaal leren voor weersvoorspellingen", zegt Bach. "Ons werk laat zien dat een combinatie van machinaal leren en meer traditionele numerieke modellering nauwkeurige resultaten kan opleveren."
Het artikel heeft de titel "Verbeterde subseizoensvoorspelling van Zuid-Aziatische moessonregens met behulp van datagestuurde voorspellingen van oscillerende modi." Naast Bach zijn co-auteurs V. Krishnamurthy en Jagadish Shukla van George Mason University; Safa Mote van de Portland State University; A. Surjalal Sharma en Eugenia Kalnay van de Universiteit van Maryland; en Michael Ghil van École Normale Supérieure in Parijs, UCLA en Imperial College London.