Neue Methode sagt Extremereignisse genauer voraus

Nachricht

HeimHeim / Nachricht / Neue Methode sagt Extremereignisse genauer voraus

Apr 20, 2023

Neue Methode sagt Extremereignisse genauer voraus

NEW YORK, NY – Mit der Zunahme extremer Wetterereignisse, die immer häufiger werden

NEW YORK, NY – Mit der Zunahme extremer Wetterereignisse, die in unserem sich erwärmenden Klima immer häufiger auftreten, werden genaue Vorhersagen für uns alle, von Landwirten über Stadtbewohner bis hin zu Unternehmen auf der ganzen Welt, immer wichtiger. Bisher ist es den Klimamodellen nicht gelungen, die Niederschlagsintensität, insbesondere die Extremwerte, genau vorherzusagen. Während in der Natur die Niederschläge variieren können und viele Niederschlagsextreme aufweisen, sagen Klimamodelle eine geringere Niederschlagsvariation mit einer Tendenz zu leichtem Regen voraus.

Forscher haben gearbeitet Um Algorithmen zu entwickeln, die die Vorhersagegenauigkeit verbessern, fehlen jedoch, wie Klimaforscher von Columbia Engineering berichten, in den traditionellen Parametrisierungen von Klimamodellen eine Information – eine Möglichkeit, die Wolkenstruktur und -organisation zu beschreiben, die so fein skaliert ist, dass sie nicht erfasst werden kann das verwendete Rechengitter. Diese Organisationsmessungen beeinflussen Vorhersagen sowohl der Niederschlagsintensität als auch ihrer Stochastik, der Variabilität zufälliger Schwankungen der Niederschlagsintensität. Bisher gab es keine effektive und genaue Möglichkeit, die Wolkenstruktur zu messen und ihre Auswirkungen zu quantifizieren.

Eine neue Studie eines Teams unter der Leitung von Pierre Gentine, Direktor des Learning the Earth with Artificial Intelligence and Physics (LEAP) Center, nutzte globale Simulationen zur Auflösung von Stürmen und maschinelles Lernen, um einen Algorithmus zu erstellen, der getrennt mit zwei verschiedenen Wolkenskalen umgehen kann Organisation: diejenigen, die durch ein Klimamodell gelöst werden können, und diejenigen, die nicht gelöst werden können, weil sie zu klein sind. Dieser neue Ansatz adressiert die fehlenden Informationen in herkömmlichen Parametrisierungen von Klimamodellen und bietet eine Möglichkeit, Niederschlagsintensität und -variabilität genauer vorherzusagen.

„Unsere Ergebnisse sind besonders spannend, weil die wissenschaftliche Gemeinschaft seit vielen Jahren darüber debattiert, ob die Wolkenorganisation in Klimamodelle einbezogen werden soll“, sagte Gentine, Maurice Ewing und J. Lamar Worzel, Professor für Geophysik in den Abteilungen Erd- und Umwelttechnik sowie Erde Umweltwissenschaften und Mitglied des Data Science Institute. „Unsere Arbeit liefert eine Antwort auf die Debatte und eine neuartige Lösung für die Einbeziehung der Organisation. Sie zeigt, dass die Einbeziehung dieser Informationen unsere Vorhersage der Niederschlagsintensität und -variabilität erheblich verbessern kann.“

Sarah Shamekh, eine Doktorandin bei Gentine, entwickelte einen neuronalen Netzwerkalgorithmus, der relevante Informationen über die Rolle der feinskaligen Wolkenorganisation (unaufgelöste Skalen) auf den Niederschlag lernt. Da Shamekh keine Metrik oder Formel im Voraus definiert hat, lernt das Modell implizit – von selbst –, wie man die Anhäufung von Wolken, eine Metrik der Organisation, misst, und verwendet diese Metrik dann, um die Niederschlagsvorhersage zu verbessern. Shamekh trainierte den Algorithmus auf einem hochauflösenden Feuchtigkeitsfeld und kodierte den Grad der kleinräumigen Organisation.

„Wir haben herausgefunden, dass unsere Organisationsmetrik die Niederschlagsvariabilität fast vollständig erklärt und eine stochastische Parametrisierung in Klimamodellen ersetzen könnte“, sagte Shamekh, Hauptautor der von PNAS veröffentlichten Studie. „Die Einbeziehung dieser Informationen verbesserte die Niederschlagsvorhersage auf der für Klimamodelle relevanten Skala erheblich und ermöglichte eine genaue Vorhersage von Niederschlagsextremen und räumlicher Variabilität.“

Die Forscher nutzen nun ihren maschinellen Lernansatz, der implizit die Metrik der Sub-Grid-Wolkenorganisation lernt, in Klimamodellen. Dies dürfte die Vorhersage der Niederschlagsintensität und -variabilität, einschließlich extremer Niederschlagsereignisse, erheblich verbessern und es Wissenschaftlern ermöglichen, künftige Veränderungen im Wasserkreislauf und extreme Wettermuster in einem sich erwärmenden Klima besser zu prognostizieren.

Diese Forschung eröffnet auch neue Möglichkeiten für Untersuchungen, beispielsweise die Untersuchung der Möglichkeit, dass Niederschläge ein Gedächtnis erzeugen, bei dem die Atmosphäre Informationen über aktuelle Wetterbedingungen speichert, die wiederum spätere atmosphärische Bedingungen im Klimasystem beeinflussen. Dieser neue Ansatz könnte weitreichende Anwendungen haben, die über die bloße Niederschlagsmodellierung hinausgehen, einschließlich einer besseren Modellierung der Eisdecke und der Meeresoberfläche.

– Diese Pressemitteilung wurde ursprünglich auf der Website der Columbia University School of Engineering and Applied Science veröffentlicht

Fehlendes Teil in aktuellen Algorithmen: Cloud-Organisation. Forscher haben daran gearbeitet, mithilfe von KI Algorithmen für neuronale Netzwerke zu entwerfen. Algorithmen für maschinelles Lernen werden zukünftige Prognosen verbessern. Zukünftige Arbeit