AI Maakt Voorspelling van El Niño Gebeurtenissen in de Zuidelijke Atlantische Oceaan Maanden van Tevoren Mogelijk

Voorspellingen van El Niño-gebeurtenissen in de Zuid-Atlantische Oceaan

Het El Niño-fenomeen in de Zuid-Atlantische Oceaan en de Benguela-stroom, die langs de westkust van Zuid-Afrika stroomt, heeft een aanzienlijke impact op de tropische Atlantische regio. Dit leidt tot uitgebreide effecten op lokale mariene ecosystemen, Afrikaanse klimaten en de El Niño-Zuidelijke Oscillatie. Tot nu toe was het niemand gelukt om warme gebeurtenissen in dit gebied te voorspellen.

Marie-Lou Bachèlery, die recentelijk haar paper heeft gepubliceerd, zegt: “We zijn enorm enthousiast omdat het de eerste keer was dat we daadwerkelijk nuttige voorspellingen konden doen voor gemeenschappen die traditionele modellen bouwen, en dat we het doel bereikten dat we twee jaar eerder hadden gesteld.”

De tropische Atlantische Oceaan ligt tussen de Braziliaanse kust in het westen en de West-Afrikaanse kust in het oosten. De Centrale Atlantische Niño wordt gekenmerkt door warme zeewatertemperaturen geconcentreerd in het centrale evenaargebied van de Atlantische Oceaan, terwijl de Oost-Atlantische Niño opwarming vertoont in de oostelijke evenaarzone, nabij de West-Afrikaanse kust.

Variaties in de oceaan beïnvloeden lokale weerspatronen, en deze veranderingen hebben ook invloed op mariene ecosystemen en de levensonderhoud van mensen die afhankelijk zijn van de visserij.

De Zuid-Atlantische Oceaan is een van de regio’s waar de opwarming van de oceaan sterk opvalt. Dit is problematisch voor veel zaken, zoals de visserij, waardoor het des te belangrijker wordt om extreme gebeurtenissen, zoals Atlantische en Benguela Niño-gebeurtenissen, te voorspellen.

Bachèlery legt uit: “Mijn idee was om voorspellingen te maken van deze gebeurtenissen met behulp van klimaatmodellen. Na anderhalf jaar werken realiseerden we ons echter dat dit niet werkte en dat we in een doodlopende situatie zaten.”

Op dat moment werkte Bachèlery aan het Geofysisch Instituut van de Universiteit van Bergen. Nu is ze werkzaam bij het Euro-Mediterrane Centrum voor Klimaatverandering in Italië.

Een nieuwe benadering

Klimaatmodellen hebben vaak moeite om warme gebeurtenissen in de tropische Atlantische Oceaan te voorspellen vanwege hun lage resolutie. Deze modellen kunnen de dynamiek van opwelling niet nauwkeurig weergeven, waarbij windgedreven processen dieper, koelere wateren naar de oppervlakte brengen. Deze opwelling vereist een hoge resolutie in de modellering om de fijne processen vast te leggen.

Het onvermogen om deze dynamiek te modelleren leidt tot aanzienlijke temperatuurafwijkingen in de regio, wat een cascade van fouten creëert die oppervlakte temperaturen, atmosferische koppeling en televerbindingen beïnvloeden, en uiteindelijk resulteert in onnauwkeurige voorspellingen van warme gebeurtenissen.

Bachèlery zegt: “Met innovatieve technieken zoals machine learning begon ik na te denken over de mogelijkheden, en ik kende de regio heel goed. Ik wist precies wat ik moest invoeren om die evenementen te voorspellen.”

Professor Noel Keenlyside, die Bachèlery begeleidde, heeft jarenlang ervaring met voorspellingen. “Voor het eerst is het eigenlijk mogelijk om deze gebeurtenissen te voorspellen en het probleem van modelfouten te overwinnen door een andere aanpak te gebruiken. Veel mensen hebben tientallen jaren geprobeerd om dat gebied te voorspellen. Daarom zijn de resultaten van Marie Lou zo spannend,” zegt hij.

De studie werd ook uitgevoerd onder het TRIATLAS-project, dat tot doel had de status van het Zuid- en tropische Atlantische mariene ecosysteem te beoordelen en een kader te ontwikkelen voor het voorspellen van toekomstige veranderingen, van maanden tot decennia.

Het kunnen voorspellen van warme gebeurtenissen zal zeer nuttig zijn voor de visserij. “Wanneer extreme gebeurtenissen zich voordoen, kunnen beheerders de visserij in deze regio beperken om de effecten van de extra druk vanuit het milieu te verminderen,” voegt Keenlyside toe.

Bachèlery vertelt dat ze aanvankelijk niet geloofde wat ze zag toen ze de resultaten ontving. “Ik heb alles opnieuw gecontroleerd, omdat het voelde alsof ik het een miljard keer deed om er zeker van te zijn dat we niet overvoorspelden, omdat dat een veelvoorkomend probleem is bij machine learning.”

Om een voorspelling te doen, gaven ze de machine kaarten van de temperatuur van de regio waarin ze geïnteresseerd waren, en vervolgens identificeerde het machine learning-model patronen en gebieden die informatie opleverden die leidde tot nauwkeurige voorspellingen voor de komende twee maanden. Door toegang te krijgen tot deze informatie konden ze fysieke mechanismen weergeven, aangezien het voorspellingsmodel is getraind op echte gegevens.

Bachèlery zegt: “De machine deed geen willekeurige dingen; het steunde daadwerkelijk op echte fysieke mechanismen die bestaan. Dat was voor mij het meest interessante deel.”

De reacties op de resultaten zijn uiterst positief. Bachèlery legt uit dat ze opmerkingen heeft ontvangen over het feit dat ze erin slaagden dit systeem te voorspellen, en mensen stellen vragen over het type algoritme dat ze gebruikten.

Volgende stappen

“Ook al is het systeem misschien niet noodzakelijk voor hun regio, de hele techniek kan worden herhaald voor elk ander systeem. En ik denk dat mensen daar echt enthousiast over zijn.”

Ze werken nu aan het beschikbaar maken van deze voorspellingen via een dashboard. “We zijn in gesprek met forecast-gebruikers van het Nationaal Instituut voor Visserij in Angola (INIP) om de informatie verder te verbeteren en af te stemmen op hun behoeften. Het is bijzonder mooi om te zien dat fundamenteel onderzoek maatschappelijk relevant wordt,” zegt Keenlyside.