Kredit:CC0 Public Domain
Att noggrant modellera extrema nederbördshändelser är fortfarande en stor utmaning för klimatmodeller. Dessa modeller förutsäger hur jordens klimat kan förändras under loppet av decennier och till och med århundraden. För att förbättra dem, särskilt med hänsyn till extrema händelser, använder forskare nu maskininlärningsmetoder som annars tillämpas på bildgenerering.
Datorer använder redan artificiell intelligens för att förbättra upplösningen av suddiga bilder, för att skapa bilder som imiterar specifika målares stil baserat på fotografier, eller för att återge realistiska porträtt av människor som faktiskt inte existerar. Den underliggande metoden är baserad på vad som kallas GAN (Generative Adversarial Networks).
Ett team ledd av Niklas Boers, professor i jordsystemmodellering vid Tekniska universitetet i München (TUM) och forskare vid Potsdam Institute for Climate Impact Research (PIK) tillämpar nu dessa maskininlärningsalgoritmer på klimatforskning. Forskargruppen publicerade nyligen sina resultat i Nature Machine Intelligence .
Alla processer kan inte tas med i beräkningen
"Klimatmodeller skiljer sig från de modeller som används för att göra väderprognoser, särskilt när det gäller deras bredare tidshorisont. Prognoshorisonten för väderförutsägelser är flera dagar, medan klimatmodeller utför simuleringar över decennier eller till och med århundraden", förklarar Philipp Hess, huvudförfattare. av studie- och forskningsassistenten vid TUM Professorship for Earth System Modeling.
Vädret kan förutsägas ganska exakt under några dagar; förutsägelsen kan sedan verifieras baserat på faktiska observationer. När det kommer till klimatet är målet dock inte en tidsbaserad förutsägelse, utan bland annat prognoser om hur ökade utsläpp av växthusgaser kommer att påverka jordens klimat på lång sikt.
Men klimatmodeller kan fortfarande inte ta perfekt hänsyn till alla relevanta klimatprocesser. Detta beror å ena sidan på att vissa processer ännu inte har förståtts tillräckligt, å andra sidan på att detaljerade simuleringar skulle ta för lång tid och kräva för mycket datorkraft. "Som ett resultat kan klimatmodeller fortfarande inte representera extrema nederbördshändelser som vi skulle vilja. Därför började vi använda GAN:er för att optimera dessa modeller med avseende på deras nederbördseffekt", säger Niklas Boers.
Optimera klimatmodeller med väderdata
Grovt sett består ett GAN av två neurala nätverk. Det ena nätverket försöker skapa ett exempel från en tidigare definierad produkt, medan det andra försöker skilja detta artificiellt genererade exempel från verkliga exempel. De två nätverken konkurrerar alltså med varandra och förbättras kontinuerligt i processen.
En praktisk tillämpning av GAN skulle vara att "översätta" landskapsmålningar till realistiska fotografier. De två neurala nätverken tar fotorealistiska bilder som genereras på basis av målningen och skickar dem fram och tillbaka tills de skapade bilderna inte längre kan särskiljas från riktiga fotografier.
Niklas Boers team tog ett liknande tillvägagångssätt:Forskarna använde en jämförelsevis enkel klimatmodell för att demonstrera potentialen i att använda maskininlärning för att förbättra sådana modeller. Teamets algoritmer använder observerade väderdata. Med hjälp av dessa data tränade teamet GAN att ändra simuleringarna av klimatmodellen så att de inte längre kunde särskiljas från faktiska väderobservationer.
"På detta sätt kan detaljgraden och realismen ökas utan att det behövs komplicerade ytterligare processberäkningar", säger Markus Drücke, klimatmodellerare på PIK och medförfattare till studien.
GAN kan minska elförbrukningen i klimatmodellering
Även relativt enkla klimatmodeller är komplexa och bearbetas med superdatorer som förbrukar stora mängder energi. Ju fler detaljer modellen tar hänsyn till, desto mer komplicerade blir beräkningarna och desto större mängd el används. Beräkningarna som är involverade i att tillämpa en tränad GAN på en klimatsimulering är dock försumbara jämfört med mängden beräkning som krävs för själva klimatmodellen.
"Att använda GAN för att göra klimatmodeller mer detaljerade och mer realistiska är därför praktiskt inte bara för att förbättra och accelerera simuleringarna, utan också för att spara el," säger Philipp Hess. + Utforska vidare
