Ekstreme vejrudsigter:Algoritmen rykker eksisterende klimasimuleringer tættere på fremtidens virkelighed

Sapsis siger, at den nye korrektionsordning er generel i form og kan anvendes på enhver global klimamodel. Når de er korrigeret, kan modellerne hjælpe med at bestemme, hvor og hvor ofte ekstremt vejr vil ramme, når de globale temperaturer stiger i løbet af de kommende år.

"Klimaændringer vil have en effekt på alle aspekter af menneskeliv og enhver type liv på planeten, fra biodiversitet til fødevaresikkerhed til økonomien," siger Sapsis. "Hvis vi har evnerne til at vide præcist, hvordan ekstremt vejr vil ændre sig, især over bestemte steder, kan det gøre en stor forskel med hensyn til forberedelse og at lave den rigtige teknik for at komme med løsninger. Dette er metoden, der kan åbne måde at gøre det på."

Holdets resultater vises i dag i Journal of Advances in Modeling Earth Systems .

Over emhætten

Dagens store klimamodeller simulerer vejrforhold, såsom gennemsnitstemperatur, luftfugtighed og nedbør rundt om i verden, på et gitter-for-net-grundlag. At køre simuleringer af disse modeller kræver enorm computerkraft, og for at simulere, hvordan vejrfunktioner vil interagere og udvikle sig over perioder på årtier eller længere, sætter modeller gennemsnittet af funktioner hver 100. kilometer eller deromkring.

"Det er en meget tung beregning, der kræver supercomputere," bemærker Sapsis. "Men disse modeller løser stadig ikke meget vigtige processer som skyer eller storme, der opstår over mindre skalaer på en kilometer eller mindre."

For at forbedre opløsningen af ​​disse grove klimamodeller er forskere typisk gået under hætten for at prøve at rette en models underliggende dynamiske ligninger, som beskriver, hvordan fænomener i atmosfæren og havene fysisk skal interagere.

"Folk har forsøgt at dissekere til klimamodelkoder, der er blevet udviklet i løbet af de sidste 20 til 30 år, hvilket er et mareridt, fordi du kan miste meget stabilitet i din simulering," forklarer Sapsis. "Det, vi gør, er en helt anden tilgang, idet vi ikke forsøger at korrigere ligningerne, men i stedet korrigere modellens output."

Holdets nye tilgang tager en models output, eller simulering, og overlejrer en algoritme, der skubber simuleringen mod noget, der i højere grad repræsenterer forholdene i den virkelige verden.

Algoritmen er baseret på et maskinlæringsskema, der tager data ind, såsom tidligere information om temperatur og fugtighed rundt om i verden, og lærer associationer inden for de data, der repræsenterer grundlæggende dynamik blandt vejrelementer. Algoritmen bruger derefter disse indlærte associationer til at korrigere en models forudsigelser.

"Det, vi gør, er at forsøge at korrigere dynamikken, som i hvordan en ekstrem vejrfunktion, såsom vindhastighederne under en orkan Sandy-begivenhed, vil se ud i den grove model versus i virkeligheden," siger Sapsis.

"Metoden lærer dynamik, og dynamik er universel. At have den korrekte dynamik fører til sidst til korrekte statistikker, for eksempel hyppigheden af ​​sjældne ekstreme hændelser."

Klimakorrektion

Som en første test af deres nye tilgang brugte holdet maskinlæringsskemaet til at korrigere simuleringer produceret af Energy Exascale Earth System Model (E3SM), en klimamodel drevet af det amerikanske energiministerium, der simulerer klimamønstre rundt om i verden kl. en opløsning på 110 kilometer.

Forskerne brugte otte års tidligere data for temperatur, luftfugtighed og vindhastighed til at træne deres nye algoritme, som lærte dynamiske sammenhænge mellem de målte vejrtræk og E3SM-modellen. Derefter kørte de klimamodellen frem i tiden i omkring 36 år og anvendte den trænede algoritme på modellens simuleringer.

De fandt ud af, at den korrigerede version producerede klimamønstre, der bedre matchede observationer fra den virkelige verden fra de sidste 36 år, ikke brugt til træning.

"Vi taler ikke om enorme forskelle i absolutte tal," siger Sapsis. "En ekstrem hændelse i den ukorrigerede simulering kan være 105 grader Fahrenheit versus 115 grader med vores korrektioner. Men for mennesker, der oplever dette, er det en stor forskel."

Da holdet derefter parrede den korrigerede grove model med en specifik model med finere opløsning af tropiske cykloner, fandt de, at tilgangen nøjagtigt gengav hyppigheden af ​​ekstreme storme på bestemte steder rundt om i verden.

"Vi har nu en grov model, der kan give dig den rigtige hyppighed af begivenheder til det nuværende klima. Den er meget mere forbedret," siger Sapsis. "Når vi korrigerer dynamikken, er dette en relevant korrektion, selv når du har en anden gennemsnitlig global temperatur, og den kan bruges til at forstå, hvordan skovbrande, oversvømmelser og hedebølger vil se ud i et fremtidigt klima. Vores igangværende arbejde fokuserer på at analysere fremtidige klimascenarier."

"Resultaterne er særligt imponerende, da metoden viser lovende resultater på E3SM, en state-of-the-art klimamodel," siger Pedram Hassanzadeh, en lektor, der leder Climate Extremes Theory and Data-gruppen ved University of Chicago og var ikke involveret i undersøgelsen. "Det ville være interessant at se, hvilke klimaforandringer denne ramme giver, når de fremtidige scenarier for drivhusgasemissioner er indarbejdet."

Flere oplysninger: B. Barthel Sorensen et al., A Non-Intrusive Machine Learning Framework for Debiasing Long-Time Coarse Resolution Climate Simulations and Quantifying Rare Events Statistics, Journal of Advances in Modeling Earth Systems (2024). DOI:10.1029/2023MS004122

Leveret af Massachusetts Institute of Technology

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.