Maskinlæring kan være en game-changer for klimaforudsigelser

En stor udfordring i de nuværende klimaforudsigelsesmodeller er, hvordan man nøjagtigt repræsenterer skyer og deres atmosfæriske opvarmning og fugtning. Denne udfordring ligger bag den store spredning i klimaforudsigelser. Alligevel er præcise forudsigelser om global opvarmning som reaktion på øgede drivhusgaskoncentrationer afgørende for politiske beslutningstagere (f.eks. Paris-klimaaftalen).

I et papir for nylig offentliggjort online i Geofysiske forskningsbreve , forskere ledet af Pierre Gentine, lektor i jord- og miljøteknik ved Columbia Engineering, demonstrere, at maskinlæringsteknikker kan bruges til at tackle dette problem og bedre repræsentere skyer i klimamodeller med grov opløsning (~100 km), med potentiale til at indsnævre rækkevidden af ​​forudsigelse.

"Dette kunne være en reel game-changer for klimaforudsigelser, " siger Gentine, hovedforfatter af papiret, og medlem af Earth Institute og Data Science Institute. "Vi har store usikkerheder i vores forudsigelse af jordens klimas reaktion på stigende drivhusgaskoncentrationer. Den primære årsag er repræsentationen af ​​skyer, og hvordan de reagerer på en ændring i disse gasser. Vores undersøgelse viser, at maskinlæringsteknikker hjælper os bedre repræsentere skyer og dermed bedre forudsige det globale og regionale klimas reaktion på stigende drivhusgaskoncentrationer."

Forskerne brugte en idealiseret opsætning (en akvaplanet, eller en planet med kontinenter) som et proof of concept for deres nye tilgang til konvektiv parameterisering baseret på maskinlæring. De trænede et dybt neuralt netværk for at lære af en simulering, der eksplicit repræsenterer skyer. Maskinlæringsrepræsentationen af ​​skyer, som de kaldte Cloud Brain (CBRAIN), kunne dygtigt forudsige mange af skyopvarmningen, fugtning, og strålingsegenskaber, der er afgørende for klimasimulering.

Gentinske noter, "Vores tilgang kan åbne op for en ny mulighed for en fremtid med modelrepræsentation i klimamodeller, som er datadrevet og er bygget 'top-down', ' det er, ved at lære de fremtrædende træk ved de processer, vi forsøger at repræsentere."

Forskerne bemærker også, at fordi global temperaturfølsomhed over for CO2 er stærkt forbundet med skyrepræsentation, CBRAIN kan også forbedre estimater af fremtidig temperatur. De har testet dette i fuldt koblede klimamodeller og har vist meget lovende resultater, viser, at dette kunne bruges til at forudsige drivhusgasrespons.