Machine Learning Verbetert Nauwkeurigheid van Klimaatmodellen, Vooral voor Gecombineerde Extreme Gebeurtenissen

Vergelijking van bias-gecorrigeerde projecties van verschillende methoden (QM, CCA en NF) in het schatten van de kruiscorrelatie tussen neerslag en maximale dagelijkse temperatuur in de maanden juli, augustus en september. De kaart toont de wortel van de gemiddelde kwadratische fout in het schatten van de kruiscorrelatie met waargenomen kruiscorrelatie uit nClim-data over de Verenigde Staten.

Onderzoekers hebben een nieuwe machine learning-methode ontwikkeld om grootschalige klimaatmodelprojecties te verbeteren en hebben aangetoond dat dit nieuwe hulpmiddel de modellen nauwkeuriger maakt, zowel op mondiaal als regionaal niveau. Deze vooruitgang zou beleidsmakers moeten voorzien van verbeterde klimaatprojecties die kunnen worden gebruikt om beleids- en planningsbeslissingen te informeren.

Het artikel, “Een Complete Dichtheidcorrectie met Normalizing Flows (CDC-NF) voor CMIP6 GCMs,” is open access gepubliceerd in het tijdschrift Scientific Data. “Wereldwijde klimaatmodellen zijn essentieel voor beleidsplanning, maar deze modellen hebben vaak moeite met ‘samengestelde extreme gebeurtenissen,’ waarbij extreme gebeurtenissen kort achter elkaar plaatsvinden—zoals wanneer extreme neerslag onmiddellijk gevolgd wordt door een periode van extreme hitte,” zegt Shiqi Fang, eerste auteur van het artikel en onderzoeksmedewerker aan de North Carolina State University.

“Specifiek hebben deze modellen moeite om waargenomen patronen met betrekking tot samengestelde gebeurtenissen nauwkeurig vast te leggen in de gegevens die zijn gebruikt om de modellen te trainen,” voegt Fang toe. “Dit leidt tot twee aanvullende problemen: de moeilijkheid om nauwkeurige projecties van samengestelde gebeurtenissen op mondiale schaal te bieden; en de moeilijkheid om nauwkeurige projecties van samengestelde gebeurtenissen op lokale schaal te geven. Het werk dat we hier hebben gedaan pakt al deze drie uitdagingen aan.”

“Alle modellen zijn imperfect,” zegt Sankar Arumugam, corresponderende auteur van het artikel en professor civiele techniek, bouwkunde en milieutechniek aan NC State. “Soms kan een model neerslag onderschatten en/of temperatuur overschatten. Modelontwikkelaars hebben een reeks hulpmiddelen tot hun beschikking om deze zogenaamde bias te corrigeren, waardoor de nauwkeurigheid van een model verbetert.”

“Echter, de bestaande set hulpmiddelen heeft een belangrijke beperking: ze zijn erg goed in het corrigeren van een fout in één parameter (zoals neerslag), maar niet erg goed in het corrigeren van fouten in meerdere parameters (zoals neerslag en temperatuur),” zegt Arumugam. “Dit is belangrijk, omdat samengestelde gebeurtenissen ernstige bedreigingen kunnen vormen en—per definitie—maatschappelijke gevolgen van twee fysieke variabelen met zich meebrengen: temperatuur en luchtvochtigheid. Dit is waar onze nieuwe methode in beeld komt.”

De nieuwe methode pakt het probleem op een originele manier aan en maakt gebruik van machine learning-technieken om de output van een klimaatmodel te wijzigen op een manier die de projecties van het model dichter bij de patronen brengt die in echte gegevens kunnen worden waargenomen.

De onderzoekers testten de nieuwe methode—Complete Density Correction using Normalizing Flows (CDC-NF)—met de vijf meest gebruikte wereldwijde klimaatmodellen. De testen werden uitgevoerd op zowel mondiale als nationale schaal voor de continentale Verenigde Staten. “De nauwkeurigheid van alle vijf modellen verbeterde toen ze in combinatie met de CDC-NF-methode werden gebruikt,” zegt Fang. “En deze verbeteringen waren vooral uitgesproken met betrekking tot de nauwkeurigheid van zowel geïsoleerde extreme gebeurtenissen als samengestelde extreme gebeurtenissen.”

“We hebben de code en gegevens die we hebben gebruikt publiek beschikbaar gesteld, zodat andere onderzoekers onze methode kunnen gebruiken in combinatie met hun modelleringinspanningen—of de methode verder kunnen herzien om aan hun behoeften te voldoen,” zegt Arumugam. “We zijn optimistisch dat dit de nauwkeurigheid van projecties kan verbeteren die worden gebruikt om klimaatadaptatiestrategieën te informeren.”

Het artikel is mede-gecoördineerd door Emily Hector, assistent-professor statistiek aan NC State; Brian Reich, de Gertrude M. Cox Distinguished Professor of Statistics aan NC State; en Reetam Majumder, assistent-professor statistiek aan de Universiteit van Arkansas.