Big data och data mining har gett flera genombrott inom områden som hälsoinformatik, smarta städer och marknadsföring. Samma tekniker, dock, har inte levererat konsekventa nyckelresultat för klimatförändringar.

Det finns några anledningar till varför. Den viktigaste är att tidigare datautvinningsarbete inom klimatvetenskap, och i synnerhet i analysen av klimatteleanslutningar, har förlitat sig på metoder som erbjuder ganska förenklade "ja eller nej"-svar.

"Det är inte så enkelt i klimatet, sa Annalisa Bracco, professor vid Georgia Techs School of Earth and Atmospheric Sciences. "Även svaga förbindelser mellan väldigt olika regioner på jorden kan vara resultatet av ett underliggande fysiskt fenomen. Att införa trösklar och kasta ut svaga förbindelser skulle stoppa allt. Istället, en klimatforskares expertis är nyckelsteget för att hitta gemensamma drag över väldigt olika datamängder eller områden för att utforska hur robusta de är."

Och med miljontals datapunkter utspridda över hela världen, Bracco sa att nuvarande modeller förlitar sig för mycket på mänsklig expertis för att förstå resultatet. Hon och hennes kollegor ville utveckla en metodik som beror mer på faktiska data snarare än en forskares tolkning.

Det är därför Georgia Tech-teamet har utvecklat ett nytt sätt att utvinna data från klimatdataset som är mer fristående än traditionella verktyg. Metodiken tar fram gemensamma datauppsättningar utan så mycket expertis från användaren, gör det möjligt för forskare att lita på data och få mer robusta och transparenta resultat.

Metoden är öppen källkod och för närvarande tillgänglig för forskare runt om i världen. Georgia Tech-forskarna använder det redan för att utforska havsytans temperatur och molnfältdata, två aspekter som djupt påverkar planetens klimat.

"Det finns så många faktorer - molndata, aerosoler och vindfält, till exempel – som samverkar för att generera klimat och driva på klimatförändringar, sade Athanasios Nenes, en annan College of Sciences klimatprofessor på projektet. "Beroende på modellaspekten du fokuserar på, de kan reproducera klimategenskaper effektivt – eller inte alls. Ibland är det väldigt svårt att säga om en modell verkligen är bättre än en annan eller om den förutsäger klimatet av rätt skäl."

Nenes säger att Georgia Tech-metoden ser på allt på ett mer robust sätt, bryta flaskhalsen som är typisk för andra modellutvärderings- och analysalgoritmer. Metodiken, han säger, kan användas för observationer, och forskare behöver inte veta något om datorkod och modeller.

"Metodiken reducerar komplexiteten hos miljontals datapunkter till det absolut viktigaste - ibland så få som 10 regioner som interagerar med varandra, ", sa Nenes. "Vi behöver ha verktyg som minskar komplexiteten i modellutdata för att förstå dem bättre och utvärdera om de ger rätt resultat av rätt anledningar."

För att utveckla metodiken, klimatforskarna samarbetade med Constantine Dovrolis och andra dataforskare vid Georgia Techs College of Computing. Dovrolis sa att det är spännande att tillämpa algoritmiskt och beräkningstänkande i problem som påverkar alla på stora sätt, som den globala uppvärmningen."

"Klimatvetenskap är en "datatung" disciplin med många intellektuellt intressanta frågor som kan dra nytta av beräkningsmodellering och förutsägelse, sa Dovrolis, professor vid School of Computer Science, "Tvärvetenskapliga samarbeten är utmanande till en början - varje disciplin har sitt eget språk, föredraget tillvägagångssätt och forskningskultur - men de kan vara ganska givande i slutet."

Pappret, "Avancera klimatvetenskap med kunskapsupptäckt genom datautvinning, " publiceras i Klimat- och atmosfärsvetenskap .