Wetenschap
Extreme weersvoorspellingen:algoritme brengt bestaande klimaatsimulaties dichter bij de toekomstige realiteit
Om het risico van extreem weer voor een gemeenschap in te schatten, vertrouwen beleidsmakers eerst op mondiale klimaatmodellen die tientallen jaren, en zelfs eeuwen vooruit in de tijd kunnen worden bekeken, maar alleen met een grove resolutie. Deze modellen kunnen bijvoorbeeld worden gebruikt om de toekomstige klimaatomstandigheden in het noordoosten van de VS te meten, maar niet specifiek voor Boston.
Om het toekomstige risico van Boston op extreem weer, zoals overstromingen, in te schatten, kunnen beleidsmakers de grootschalige voorspellingen van een grof model combineren met een model met een fijnere resolutie dat is afgestemd om te schatten hoe vaak Boston waarschijnlijk te maken zal krijgen met schadelijke overstromingen als het klimaat warmer wordt. Maar deze risicoanalyse is slechts zo nauwkeurig als de voorspellingen uit dat eerste, grovere klimaatmodel.
"Als je het bij grootschalige omgevingen verkeerd hebt, mis je alles wat betreft hoe extreme gebeurtenissen er op kleinere schaal uit zullen zien, zoals boven individuele steden", zegt Themistoklis Sapsis, de William I. Koch-professor en directeur van de Centrum voor Oceaantechniek bij de afdeling Werktuigbouwkunde van MIT.
Sapsis en zijn collega's hebben nu een methode ontwikkeld om de voorspellingen uit grove klimaatmodellen te 'corrigeren'. Door machinaal leren te combineren met dynamische systeemtheorie, 'duwt' de aanpak van het team de simulaties van een klimaatmodel in meer realistische patronen op grote schaal.
In combinatie met kleinere modellen om specifieke weersgebeurtenissen zoals tropische cyclonen of overstromingen te voorspellen, leverde de aanpak van het team nauwkeurigere voorspellingen op over hoe vaak specifieke locaties deze gebeurtenissen de komende decennia zullen meemaken, vergeleken met voorspellingen die zonder het correctieschema zijn gedaan.
Sapsis zegt dat het nieuwe correctieschema een algemene vorm heeft en op elk mondiaal klimaatmodel kan worden toegepast. Eenmaal gecorrigeerd kunnen de modellen helpen bepalen waar en hoe vaak extreem weer zal toeslaan als de mondiale temperaturen de komende jaren stijgen.
"Klimaatverandering zal een effect hebben op elk aspect van het menselijk leven en elk type leven op de planeet, van biodiversiteit tot voedselzekerheid tot de economie", zegt Sapsis. “Als we de capaciteiten hebben om nauwkeurig te weten hoe extreem weer zal veranderen, vooral op specifieke locaties, kan het een groot verschil maken in termen van voorbereiding en het doen van de juiste engineering om met oplossingen te komen. Dit is de methode die de deur open kan zetten manier om dat te doen."
De resultaten van het team verschijnen vandaag in het Journal of Advances in Modeling Earth Systems .
Over de motorkap
De huidige grootschalige klimaatmodellen simuleren weerkenmerken, zoals de gemiddelde temperatuur, vochtigheid en neerslag over de hele wereld, per netwerk. Het uitvoeren van simulaties van deze modellen vergt enorme rekenkracht, en om te simuleren hoe weerkenmerken zullen interageren en evolueren over perioden van tientallen jaren of langer, berekenen modellen het gemiddelde van de kenmerken om de 100 kilometer.
"Het is een zeer zware berekening waarvoor supercomputers nodig zijn", merkt Sapsis op. "Maar deze modellen lossen nog steeds geen zeer belangrijke processen op, zoals wolken of stormen, die zich voordoen op kleinere schaal van een kilometer of minder."
Om de resolutie van deze grove klimaatmodellen te verbeteren, zijn wetenschappers doorgaans onder de motorkap gegaan om te proberen de onderliggende dynamische vergelijkingen van een model op te lossen, die beschrijven hoe verschijnselen in de atmosfeer en de oceanen fysiek op elkaar zouden moeten inwerken.
"Mensen hebben geprobeerd klimaatmodelcodes te ontleden die de afgelopen twintig tot dertig jaar zijn ontwikkeld, wat een nachtmerrie is omdat je veel stabiliteit in je simulatie kunt verliezen", legt Sapsis uit. "Wat wij doen is een compleet andere aanpak, in die zin dat we niet proberen de vergelijkingen te corrigeren, maar in plaats daarvan de output van het model corrigeren."
De nieuwe aanpak van het team neemt de output van een model, of simulatie, en legt daar een algoritme overheen dat de simulatie in de richting van iets duwt dat de omstandigheden in de echte wereld beter weergeeft.
Het algoritme is gebaseerd op een machinaal leerschema dat gegevens opneemt, zoals informatie uit het verleden over temperatuur en vochtigheid over de hele wereld, en associaties leert binnen de gegevens die de fundamentele dynamiek tussen weerskenmerken vertegenwoordigen. Het algoritme gebruikt vervolgens deze geleerde associaties om de voorspellingen van een model te corrigeren.
"Wat we doen is proberen de dynamiek te corrigeren, bijvoorbeeld hoe een extreem weerskenmerk, zoals de windsnelheden tijdens een orkaan Sandy, er in het ruwe model uit zal zien in vergelijking met de werkelijkheid", zegt Sapsis.
"De methode leert dynamiek, en dynamiek is universeel. Het hebben van de juiste dynamiek leidt uiteindelijk tot correcte statistieken, bijvoorbeeld de frequentie van zeldzame extreme gebeurtenissen."
Klimaatcorrectie
Als eerste test van hun nieuwe aanpak gebruikte het team het machine learning-schema om simulaties te corrigeren die waren geproduceerd door het Energy Exascale Earth System Model (E3SM), een klimaatmodel van het Amerikaanse ministerie van Energie dat klimaatpatronen over de hele wereld simuleert. een resolutie van 110 kilometer.
De onderzoekers gebruikten acht jaar aan gegevens uit het verleden voor temperatuur, vochtigheid en windsnelheid om hun nieuwe algoritme te trainen, dat dynamische associaties leerde tussen de gemeten weerskenmerken en het E3SM-model. Vervolgens lieten ze het klimaatmodel ongeveer 36 jaar vooruit in de tijd draaien en pasten het getrainde algoritme toe op de simulaties van het model.
Ze ontdekten dat de gecorrigeerde versie klimaatpatronen produceerde die beter overeenkwamen met waarnemingen uit de echte wereld van de afgelopen 36 jaar, en die niet werden gebruikt voor training.
"We hebben het niet over enorme verschillen in absolute termen", zegt Sapsis. "Een extreme gebeurtenis in de ongecorrigeerde simulatie zou 105 graden Fahrenheit kunnen zijn versus 115 graden met onze correcties. Maar voor mensen die dit ervaren, is dat een groot verschil."
Toen het team vervolgens het gecorrigeerde grove model combineerde met een specifiek model met een fijnere resolutie van tropische cyclonen, ontdekten ze dat de aanpak nauwkeurig de frequentie van extreme stormen op specifieke locaties over de hele wereld reproduceerde.
"We hebben nu een grof model waarmee je de juiste frequentie van gebeurtenissen voor het huidige klimaat kunt bepalen. Het is veel verbeterd", zegt Sapsis. "Zodra we de dynamiek corrigeren, is dit een relevante correctie, zelfs als je een andere gemiddelde temperatuur op aarde hebt, en kan deze worden gebruikt om te begrijpen hoe bosbranden, overstromingen en hittegolven er in een toekomstig klimaat uit zullen zien. Ons voortdurende werk richt zich op het analyseren van toekomstige klimaatscenario's."
"De resultaten zijn bijzonder indrukwekkend omdat de methode veelbelovende resultaten laat zien op E3SM, een geavanceerd klimaatmodel", zegt Pedram Hassanzadeh, universitair hoofddocent en hoofd van de Climate Extremes Theory and Data-groep aan de Universiteit van Chicago. niet bij de studie betrokken. "Het zou interessant zijn om te zien welke klimaatveranderingsprojecties dit raamwerk oplevert zodra toekomstige scenario's voor de uitstoot van broeikasgassen worden opgenomen."