En stor utmaning i nuvarande klimatförutsägelsemodeller är hur man korrekt representerar moln och deras atmosfäriska uppvärmning och fuktning. Denna utmaning ligger bakom den stora spridningen av klimatförutsägelser. Ändå är korrekta förutsägelser om den globala uppvärmningen som svar på ökade koncentrationer av växthusgaser viktiga för beslutsfattare (t.ex. klimatavtalet från Paris).

I en tidning som nyligen publicerades online i Geofysiska forskningsbrev , forskare ledda av Pierre Gentine, docent i jord- och miljöteknik vid Columbia Engineering, visa att maskininlärningstekniker kan användas för att hantera detta problem och bättre representera moln i klimatmodeller med grov upplösning (~100 km), med potential att begränsa förutsägelseintervallet.

"Detta kan vara en verklig spelomvandlare för klimatförutsägelser, säger Gentine, huvudförfattare till tidningen, och medlem av Earth Institute och Data Science Institute. "Vi har stora osäkerheter i vår förutsägelse av hur jordens klimat reagerar på stigande koncentrationer av växthusgaser. Den primära orsaken är representationen av moln och hur de reagerar på en förändring i dessa gaser. Vår studie visar att maskininlärningstekniker hjälper oss bättre representera moln och därmed bättre förutsäga det globala och regionala klimatets reaktion på stigande koncentrationer av växthusgaser."

Forskarna använde en idealiserad uppställning (en vattenplanet, eller en planet med kontinenter) som ett bevis på konceptet för deras nya tillvägagångssätt för konvektiv parameterisering baserad på maskininlärning. De tränade ett djupt neuralt nätverk för att lära sig av en simulering som uttryckligen representerar moln. Den maskinlärande representationen av moln, som de döpte till Cloud Brain (CBRAIN), kunde skickligt förutsäga många av molnuppvärmningen, fuktande, och strålningsegenskaper som är väsentliga för klimatsimulering.

Gentinska anteckningar, "Vårt tillvägagångssätt kan öppna upp en ny möjlighet för en framtid av modellrepresentation i klimatmodeller, som är datadrivna och är byggda 'top-down', ' det är, genom att lära oss de framträdande dragen i de processer vi försöker representera."

Forskarna noterar också att eftersom global temperaturkänslighet för CO2 är starkt kopplad till molnrepresentation, CBRAIN kan också förbättra uppskattningar av framtida temperatur. De har testat detta i helt kopplade klimatmodeller och har visat mycket lovande resultat, visar att detta kan användas för att förutsäga växthusgasrespons.