• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  Science >> Vetenskap >  >> Naturen
    AI förbättrar förutsägelser om monsunnederbörd
    Ett förenklat diagram över EnOC-algoritmen, med två dynamiska ensemblemedlemmar för enkelhetens skull. Här kommer den andra (lila) ensemblemedlemmen att få en högre vikt, eftersom den ligger närmare MISO-prognosen i underrummet. Observera att i den verkliga implementeringen reducerar vi dynamiken i MISO-underrummet till de två första huvudkomponenterna i MISO-läget. Kredit:Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2312573121

    Varje år ger den sydasiatiska monsunsäsongen kraftiga regn till över en miljard människor på den indiska subkontinenten mellan juni och september. Regnet faller i svängningar:Vissa veckor ser det 1 till 4 tum vatten, medan andra veckor är mestadels torra. Att förutsäga när dessa torra och våta perioder kommer att inträffa är avgörande för jordbruks- och stadsplanering, vilket gör det möjligt för bönder att veta när de ska skörda grödor och hjälpa stadens tjänstemän att förbereda sig för översvämningar. Men även om väderprognoser för det mesta är korrekta inom en eller två dagar, är det mycket svårt att exakt förutsäga vädret en vecka eller månad ut.



    Nu har en ny maskininlärningsbaserad prognos visat sig mer exakt förutsäga det sydasiatiska monsunregnet 10 till 30 dagar i förväg, en betydande förbättring jämfört med nuvarande toppmoderna prognoser som använder numerisk modellering snarare än artificiell intelligens att göra förutsägelser. Att förstå monsunbeteende är också viktigt eftersom denna typ av nederbörd är en viktig atmosfärisk egenskap i det globala klimatet.

    Forskningen leddes av Eviatar Bach, Foster och Coco Stanbacks postdoktorale forskningsassistent inom miljövetenskap och teknik, som arbetar i laboratorierna hos Tapio Schneider, professorn Theodore Y. Wu i miljövetenskap och teknik och seniorforskare vid JPL; och Andrew Stuart, Bren-professorn i datavetenskap och matematiska vetenskaper.

    En artikel som beskriver den nya metoden visas i Proceedings of the National Academy of Sciences .

    "Det finns mycket oro för hur klimatförändringarna kommer att påverka monsunen och andra väderhändelser som orkaner, värmeböljor och så vidare", säger Bach. "Att förbättra förutsägelser på kortare tidsskalor är en viktig del av att svara på klimatförändringarna eftersom vi måste kunna förbättra beredskapen för dessa händelser."

    En modell av hur monsunnederbörden varierar, kallad "monsunens intrasäsongssvängning", över den indiska subkontinenten under en enda säsong. Kredit:E. Bach

    Att förutsäga vädret är svårt eftersom atmosfären innehåller många instabiliteter - till exempel värms atmosfären kontinuerligt upp från jorden under, vilket leder till kall, tätare luft ovanför varmare, mindre tät luft - såväl som instabilitet orsakad av ojämn uppvärmning och jordens rotation. Dessa instabiliteter leder till en kaotisk situation där felen och osäkerheterna i modelleringen av atmosfärens beteende snabbt förökar sig, vilket gör det nästan omöjligt att förutse längre in i framtiden.

    Nuvarande toppmoderna modeller använder numerisk modellering, som är datorsimuleringar av atmosfären baserade på fysikekvationerna som beskriver vätskors rörelse. På grund av kaos är den maximala förutsägbara tiden för storskaligt väder vanligtvis cirka 10 dagar. Att förutsäga atmosfärens långtidsgenomsnittliga beteende – det vill säga klimatet – är också möjligt, men att förutsäga vädret i tidsintervallet mellan två veckor och flera månader har varit en utmaning med numeriska modeller.

    Med sydasiatiska monsuner tenderar regn att falla i cykler av intensiva utbrott följt av torrperioder. Dessa cykler är kända som monsunintrasäsongsvängningar (MISO). I den nya forskningen lade Bach och hans medarbetare till en maskininlärningskomponent till nuvarande toppmoderna numeriska modeller. Detta gjorde det möjligt för forskarna att samla in data om MISO:erna och göra bättre förutsägelser om nederbörden på den svårfångade två till fyra veckors tidsskalan. Den resulterande modellen kunde förbättra korrelationerna mellan förutsägelser och observationer med upp till 70 %.

    "Under de senaste åren har det funnits ett ökat intresse för att använda maskininlärning för väderförutsägelser", säger Bach. "Vårt arbete visar att en kombination av maskininlärning och mer traditionell numerisk modellering kan ge korrekta resultat."

    Uppsatsen har titeln "Förbättrad undersäsongsförutsägelse av sydasiatiskt monsunregn med hjälp av datadrivna prognoser för oscillerande lägen." Förutom Bach är medförfattare V. Krishnamurthy och Jagadish Shukla från George Mason University; Safa Mote vid Portland State University; A. Surjalal Sharma och Eugenia Kalnay från University of Maryland; och Michael Ghil från École Normale Supérieure i Paris, UCLA och Imperial College London.

    Mer information: Eviatar Bach et al, Förbättrad förutsägelse under säsong av sydasiatiska monsunnederbörd med hjälp av datadrivna prognoser för oscillerande lägen, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2312573121

    Journalinformation: Proceedings of the National Academy of Sciences

    Tillhandahålls av California Institute of Technology




    © Vetenskap https://sv.scienceaq.com