För att bedöma ett samhälles risk för extremt väder förlitar sig beslutsfattare först på globala klimatmodeller som kan köras årtionden, och till och med århundraden, framåt i tiden, men bara med en grov upplösning. Dessa modeller kan användas för att mäta, till exempel, framtida klimatförhållanden för nordöstra USA men inte specifikt för Boston.
För att uppskatta Bostons framtida risk för extremt väder som översvämningar kan beslutsfattare kombinera en grov modells storskaliga förutsägelser med en modell med finare upplösning inställd för att uppskatta hur ofta Boston sannolikt kommer att uppleva skadliga översvämningar när klimatet värms upp. Men denna riskanalys är bara lika korrekt som förutsägelserna från den första, grövre klimatmodellen.
"Om du gör fel för storskaliga miljöer, så missar du allt när det gäller hur extrema händelser kommer att se ut i mindre skalor, till exempel över enskilda städer", säger Themistoklis Sapsis, professor i William I. Koch och chef för Center for Ocean Engineering vid MIT:s avdelning för maskinteknik.
Sapsis och hans kollegor har nu utvecklat en metod för att "korrigera" förutsägelserna från grova klimatmodeller. Genom att kombinera maskininlärning med dynamisk systemteori "nuffar" teamets tillvägagångssätt en klimatmodells simuleringar till mer realistiska mönster över stora skalor.
När de parades med modeller i mindre skala för att förutsäga specifika väderhändelser som tropiska cykloner eller översvämningar, gav teamets tillvägagångssätt mer exakta förutsägelser för hur ofta specifika platser kommer att uppleva dessa händelser under de närmaste decennierna, jämfört med förutsägelser som gjorts utan korrigeringsschemat.
Sapsis säger att det nya korrigeringsschemat är generellt till sin form och kan tillämpas på vilken global klimatmodell som helst. När de väl är korrigerade kan modellerna hjälpa till att avgöra var och hur ofta extremväder kommer att drabba när den globala temperaturen stiger under de kommande åren.
"Klimatförändringar kommer att ha en effekt på alla aspekter av mänskligt liv och alla typer av liv på planeten, från biologisk mångfald till livsmedelssäkerhet till ekonomin", säger Sapsis. "Om vi har förmågan att exakt veta hur extremt väder kommer att förändras, särskilt över specifika platser, kan det göra stor skillnad när det gäller förberedelser och att göra rätt ingenjörskonst för att komma med lösningar. Det här är metoden som kan öppna sätt att göra det."
Teamets resultat visas idag i Journal of Advances in Modeling Earth Systems .
Dagens storskaliga klimatmodeller simulerar väderegenskaper, såsom medeltemperatur, luftfuktighet och nederbörd runt om i världen, rutnät för rutnät. Att köra simuleringar av dessa modeller kräver enorm datorkraft, och för att simulera hur väderegenskaper kommer att interagera och utvecklas under perioder av decennier eller längre, ger modellerna i genomsnitt funktioner var 100:e kilometer eller så.
"Det är en mycket tung beräkning som kräver superdatorer," konstaterar Sapsis. "Men dessa modeller löser fortfarande inte mycket viktiga processer som moln eller stormar, som inträffar över mindre skalor på en kilometer eller mindre."
För att förbättra upplösningen av dessa grova klimatmodeller har forskare vanligtvis gått under huven för att försöka fixa en modells underliggande dynamiska ekvationer, som beskriver hur fenomen i atmosfären och haven fysiskt ska interagera.
"Människor har försökt dissekera in klimatmodellkoder som har utvecklats under de senaste 20 till 30 åren, vilket är en mardröm eftersom du kan förlora mycket stabilitet i din simulering", förklarar Sapsis. "Vad vi gör är ett helt annat tillvägagångssätt, eftersom vi inte försöker korrigera ekvationerna utan istället korrigera modellens utdata."
Teamets nya tillvägagångssätt tar en modells utdata, eller simulering, och överlagrar en algoritm som knuffar simuleringen mot något som närmare representerar verkliga förhållanden.
Algoritmen är baserad på ett maskininlärningsschema som tar in data, såsom tidigare information om temperatur och luftfuktighet runt om i världen och lär sig associationer inom data som representerar grundläggande dynamik bland väderegenskaper. Algoritmen använder sedan dessa inlärda associationer för att korrigera en modells förutsägelser.
"Vad vi gör är att försöka korrigera dynamiken, som hur en extrem väderlek, som vindhastigheterna under en orkan Sandy-händelse, kommer att se ut i den grova modellen kontra i verkligheten", säger Sapsis.
"Metoden lär sig dynamik, och dynamik är universell. Att ha rätt dynamik leder så småningom till korrekt statistik, till exempel frekvensen av sällsynta extrema händelser."
Som ett första test av deras nya tillvägagångssätt använde teamet maskininlärningsschemat för att korrigera simuleringar som producerats av Energy Exascale Earth System Model (E3SM), en klimatmodell som drivs av U.S. Department of Energy som simulerar klimatmönster runt om i världen kl. en upplösning på 110 kilometer.
Forskarna använde åtta år av tidigare data för temperatur, luftfuktighet och vindhastighet för att träna sin nya algoritm, som lärde sig dynamiska samband mellan de uppmätta väderegenskaperna och E3SM-modellen. De körde sedan klimatmodellen framåt i tiden i cirka 36 år och tillämpade den tränade algoritmen på modellens simuleringar.
De fann att den korrigerade versionen producerade klimatmönster som bättre matchade verkliga observationer från de senaste 36 åren, inte använt för träning.
"Vi pratar inte om enorma skillnader i absoluta tal", säger Sapsis. "En extrem händelse i den okorrigerade simuleringen kan vara 105 grader Fahrenheit mot 115 grader med våra korrigeringar. Men för människor som upplever detta är det en stor skillnad."
När teamet sedan parade ihop den korrigerade grova modellen med en specifik modell med finare upplösning av tropiska cykloner fann de att metoden exakt återgav frekvensen av extrema stormar på specifika platser runt om i världen.
"Vi har nu en grov modell som kan ge dig rätt frekvens av händelser för det nuvarande klimatet. Den är mycket mer förbättrad", säger Sapsis. "När vi korrigerar dynamiken är detta en relevant korrigering, även när du har en annan genomsnittlig global temperatur, och den kan användas för att förstå hur skogsbränder, översvämningshändelser och värmeböljor kommer att se ut i ett framtida klimat. Vårt pågående arbete fokuserar på att analysera framtida klimatscenarier."
"Resultaten är särskilt imponerande eftersom metoden visar lovande resultat på E3SM, en toppmodern klimatmodell", säger Pedram Hassanzadeh, docent som leder gruppen Climate Extremes Theory and Data vid University of Chicago och var inte involverad i studien. "Det skulle vara intressant att se vilka klimatförändringsprognoser detta ramverk ger när framtida scenarier för utsläpp av växthusgaser har införlivats."
Mer information: B. Barthel Sorensen et al, A Non-Intrusive Machine Learning Framework for Debiasing Long-Time Coarse Resolution Climate Simulations and Quantifying Rare Event Statistics, Journal of Advances in Modeling Earth Systems (2024). DOI:10.1029/2023MS004122
Tillhandahålls av Massachusetts Institute of Technology
Denna berättelse är återpublicerad med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.
